Este documento presenta una introducción a los métodos numéricos para resolver problemas matemáticos utilizando computadoras. Explica conceptos como métodos iterativos y directos, y cubre técnicas específicas como el método de la bisección, punto fijo, Newton, Gauss-Jordan, Jacobi y Gauss-Seidel. El documento proporciona algoritmos, análisis de convergencia y eficiencia, e instrumentación en MATLAB de cada método.

1. ISBN 978-9942-922-01-4
Escuela Superior Politécnica del Litoral
Instituto de Ciencias Matemáticas
Guayaquil - Ecuador
Luis Rodríguez Ojeda, MSc.

2. CONTENIDO
1 Introducción 1
1.1 Resolución de problemas con el computador 1
1.2 Fuentes de error en la resolución de un problema numérico 2
1.3 El modelo matemático 2
1.4 Algoritmos numéricos 2
1.5 Instrumentación computacional 2
1.5.1 Elementos de MATLAB 3
1.5.2 Uso interactivo de MATLAB 3
1.5.3 Programación en MATLAB 3
1.6 Preguntas 7
2 Tipos de métodos numéricos 8
2.1 Métodos iterativos 8
2.1.1 Convergencia de los métodos iterativos 11
2.1.2 Error de truncamiento 11
2.1.3 Finalización de un proceso iterativo 11
2.1.4 Eficiencia de un método iterativo 12
2.1.5 Elección del valor inicial 12
2.1.6 Preguntas 13
2.2 Métodos directos 14
2.2.1 Error de redondeo 16
2.2.2 Error en la representación de números reales 16
2.2.3 Error de redondeo en las operaciones aritméticas 17
2.2.4 Propagación del error de redondeo en las operaciones aritméticas 18
2.2.5 Eficiencia de los métodos directos 19
2.2.6 La notación O( ) 20
2.3.7 Ejercicios 22
3 Raíces reales de ecuaciones no-lineales 23
3.1 Método de la bisección 23
3.1.1 Convergencia del método de la bisección 23
3.1.2 Algoritmo del método de la bisección 24
3.1.3 Eficiencia del método de la bisección 25
3.1.4 Instrumentación computacional del método de la bisección 26
3.2 Método del punto fijo 28
3.2.1 Existencia de una raíz real con el método del punto fijo 28
3.2.2 Algoritmo del punto fijo 28
3.2.3 Convergencia del método del punto fijo 31
3.2.4 Eficiencia del método del punto fijo 33
3.3 Método de Newton 34
3.3.1 La fórmula de Newton 34
3.3.2 Algoritmo del método de Newton 35
3.3.3 Interpretación gráfica de la fórmula de Newton 35
3.3.4 Convergencia del método de Newton 36
3.3.5 Una condición de convergencia local para el método de Newton 36
3.3.6 Práctica computacional 43
3.3.7 Instrumentación computacional del método de Newton 43
3.3.8 Uso de funciones especiales de MATLAB 44
3.4 Ejercicios y problemas de ecuaciones no-lineales 45
3.5 Raíces reales de sistemas de ecuaciones no-lineales 49
3.5.1 Fórmula iterativa de segundo orden para calcular raíces reales
de sistemas de ecuaciones no-lineales 49
3.5.2 Convergencia del método de Newton para sistemas no-lineales 49
3.5.3 Algoritmo del método de Newton para sistemas no-lineales 50
3.5.4 Práctica computacional 51
3.5.5 Instrumentación computacional del método de Newton para
resolver un sistema de n ecuaciones no-lineales 52
3.5.6 Uso de funciones de MATLAB para resolver sistemas no-lineales 55
3.5.7 Obtención de la fórmula iterativa de segundo orden para calcular
raíces reales de sistemas de ecuaciones no-lineales 55
3.5.7 Ejercicios y problemas con sistemas de ecuaciones no lineales 57

3. 4 Métodos directos para resolver sistemas de ecuaciones lineales 58
4.1 Determinantes y sistemas de ecuaciones no lineales 59
4.2 Método de Gauss-Jordan 59
4.2.1 Práctica computacional 61
4.2.2 Formulación del método de Gauss-Jordan y algoritmo 62
4.2.3 Eficiencia del método de Gauss-Jordan 64
4.2.4 Instrumentación computacional 65
4.2.5 Obtención de la inversa de una matriz 66
4.3 Método de Gauss 68
4.3.1 Formulación del método de Gauss y algoritmo 69
4.3.2 Eficiencia del método de Gauss 70
4.3.3 Instrumentación computacional 70
4.3.4 Estrategia de pivoteo 71
4.3.5 Instrumentación computacional del método de Gauss con pivoteo 72
4.3.6 Funciones de MATLAB para sistemas de ecuaciones lineales 73
4.3.7 Cálculo del determinante de una matriz 73
4.3.8 Instrumentación computacional para calcular determinantes 74
4.4 Sistemas mal condicionados 75
4.4.1 Definiciones 76
4.4.2 Algunas propiedades de normas 77
4.4.3 Número de condición 77
4.4.4 El número de condición y el error de redondeo 78
4.4.5 Funciones de MATLAB para normas y número de condición 81
4.5 Sistemas singulares 82
4.5.1 Formulación matemática y algoritmo 82
4.5.2 Instrumentación computacional 85
4.5.3 Uso de funciones de MATLAB 89
4.6 Sistema tridiagonales 90
4.6.1 Formulación matemática y algoritmo 90
4.6.2 Instrumentación computacional 92
5 Métodos iterativos para resolver sistemas de ecuaciones lineales 93
5.1 Método de Jacobi 93
5.1.1 Formulación matemática 93
5.1.2 Manejo computacional de la fórmula de Jacobi 94
5.1.3 Algoritmo de Jacobi 95
5.1.4 Instrumentación computacional del método de Jacobi 95
5.1.5 Forma matricial del método de Jacobi 96
5.1.6 Práctica computacional con la notación matricial 97
5.2 Método de Gauss-Seidel 98
5.2.1 Formulación matemática 98
5.2.2 Manejo computacional de la fórmula de Gauss-Seidel 99
5.2.3 Instrumentación computacional del método de Gauss-Seidel 99
5.2.4 Forma matricial del método de Gauss-Seidel 1001
5.3 Método de relajación 101
5.3.1 Formulación matemática 101
5.3.2 Manejo computacional de la fórmula de relajación 102
5.3.3 Forma matricial del método de relajación 102
5.4 Convergencia de los métodos iterativos para sistemas lineales 103
5.4.1 Matriz de transición para los métodos iterativos 104
5.5 Eficiencia de los métodos iterativos 106
5.6 Finalización de un proceso iterativo 106
5.7 Práctica computacional con los métodos iterativos 107
5.8 Ejercicios con sistemas de ecuaciones lineales 111
6 Interpolación 117
6.1 El polinomio de interpolación 117
6.1.1 Existencia del polinomio de interpolación 118
6.1.2 Unicidad del polinomio de interpolación con diferentes métodos 119
6.2 El polinomio de interpolación de Lagrange 120
6.2.1 Eficiencia del método de Lagrange 121

4. 6.2.2 Instrumentación computacional 122
6.3 Interpolación múltiple 124
6.3.1 Instrumentación computacional 126
6.4 Error en la interpolación 127
6.4.1 Una fórmula para estimar el error en la interpolación 128
6.5 Diferencias finitas 129
6.5.1 Relación entre derivadas y diferencias finitas 130
6.5.2 Diferencias finitas de un polinomio 131
6.6 El polinomio de interpolación de diferencias finitas 132
6.6.1 Práctica computacional 134
6.6.2 Eficiencia del polinomio de interpolación de diferencias finitas 135
6.6.3 El error en el polinomio de interpolación de diferencias finitas 136
6.6.4 Forma estándar del polinomio de diferencias finitas 138
6.7 El polinomio de interpolación de diferencias divididas 139
6.7.1 El error en el polinomio de interpolación de diferencias divididas 141
6.8 El polinomio de mínimos cuadrados 142
6.8.1 Práctica computacional 144
6.9 Ejercicios y problemas con el polinomio de interpolación 145
6.10 El trazador cúbico 148
6.10.1 El trazador cúbico natural 148
6.10.2 Algoritmo del trazador cúbico natural 151
6.10.3 Instrumentación computacional del trazador cúbico natural 153
6.10.4 El trazador cúbico sujeto 155
6.10.5 Algoritmo del trazador cúbico sujeto 156
6.10.6 Instrumentación computacional del trazador cúbico sujeto 157
6.10.7 Ejercicios con el trazador cúbico 159
7 Integración numérica 160
7.1 Fórmulas de Newton-Cotes 160
7.1.1 Fórmula de los trapecios 160
7.1.2 Error de truncamiento en la fórmula de los trapecios 162
7.1.3 Instrumentación computacional de la fórmula de los trapecios 165
7.1.4 Fórmula de Simpson 166
7.1.5 Error de truncamiento en la fórmula de Simpson 167
7.1.6 Instrumentación computacional de la fórmula de Simpson 169
7.1.7 Error de truncamiento vs. error de redondeo 169
7.2 Obtención de fórmulas de integración numérica con el método de
coeficientes indeterminados 171
7.3 Cuadratura de Gauss 172
7.3.1 Fórmula de la cuadratura de Gauss con dos puntos 172
7.3.2 Instrumentación computacional de la cuadratura de Gauss 174
7.3.3 Instrumentación extendida de la cuadratura de Gauss 174
7.4 Integrales con límites infinitos 175
7.5 Integrales con singularidades 176
7.6 Integrales múltiples 177
7.6.1 Instrumentación computacional de la fórmula de Simpson en
dos direcciones 179
7.7 Ejercicios y problemas de integración numérica 181
8 Diferenciación numérica 185
8.1 Obtención de fórmulas de diferenciación numérica 185
8.2 Una fórmula para la primera derivada 185
8.3 Una fórmula de segundo orden para la primera derivada 187
8.4 Una fórmula para la segunda derivada 188
8.5 Obtención de fórmulas de diferenciación numérica con el método
de coeficientes indeterminados 188
8.6 Algunas otras fórmulas de interés para evaluar derivadas 189
8.7 Extrapolación para diferenciación numérica 190
8.8 Ejercicios de diferenciación numérica 191

5. 9 Métodos numéricos para resolver ecuaciones diferenciales ordinarias 192
9.1 Ecuaciones diferenciales ordinarias de primer orden con la condición
en el inicio 193
9.1.1 Existencia de la solución 193
9.1.2 Método de la serie de Taylor 194
9.1.3 Fórmula de Euler 197
9.1.4 Error de truncamiento y error de redondeo 198
9.1.5 Instrumentación computacional de la fórmula de Euler 199
9.1.6 Fórmula mejorada de Euler o fórmula de Heun 200
9.1.7 Instrumentación computacional de la fórmula de Heun 201
9.1.8 Fórmulas de Runge-Kutta 203
9.1.9 Instrumentación computacional de la fórmula de Runge-Kutta 204
9.2 Sistemas de ecuaciones diferenciales ordinarias de primer orden
con condiciones en el inicio 206
9.2.1 Fórmula de Heun extendida a dos E. D. O. de primer orden 206
9.2.2 Instrumentación computacional de la fórmula de Heun para
dos E. D. O. de primer orden 207
9.2.3 Fórmula de Runge-Kutta para dos E. D. O. de primer orden
con condiciones en el inicio 208
9.2.4 Instrumentación computacional de la fórmula de Runge-Kutta
para dos E.D.O de primer orden 209
9.3 Ecuaciones diferenciales ordinarias de orden superior y condiciones
en el inicio 210
9.3.1 Instrumentación computacional 211
9.4 Ecuaciones diferenciales ordinarias no lineales 212
9.5 Convergencia y estabilidad numérica 213
9.6 Ecuaciones diferenciales ordinarias con condiciones en los bordes 214
9.6.1 Método de prueba y error (método del disparo) 214
9.6.2 Método de diferencias finitas 215
9.6.3 Instrumentación computacional 218
9.6.4 Ecuaciones diferenciales ordinarias con condiciones en
los bordes con derivadas 219
9.6.5 Instrumentación computacional 220
9.6.6 Normalización del dominio de la E.D.O. 222
9.7 Ejercicios con ecuaciones diferenciales ordinarias 223
10 Ecuaciones diferenciales parciales 224
10.1 Aproximaciones de diferencias finitas 224
10.2 Ecuaciones diferenciales parciales de tipo parabólico 224
10.2.1 Un esquema de diferencias finitas explícito 226
10.2.2 Estabilidad del método de diferencias finitas 227
10.2.3 Instrumentación computacional 229
10.2.4 Un esquema de diferencias finitas implícito 230
10.2.5 Instrumentación computacional 232
10.2.6 Práctica computacional 233
10.2.7 Condiciones variables en los bordes 233
10.2.8 Instrumentación computacional 235
10.2.9 Método de diferencias finitas para EDP no lineales 237
10.3 Ecuaciones diferenciales parciales de tipo elíptico 238
10.3.1 Un esquema de diferencias finitas implícito 239
10.3.2 Instrumentación computacional 241
10.4 Ecuaciones diferenciales parciales de tipo hiperbólico 244
10.4.1 Un esquema de diferencias finitas explícito 244
10.4.2 Instrumentación computacional 247
10.5 Ejercicios con ecuaciones diferenciales parciales 249
Bibliografía 250

6. ANÁLISIS NUMÉRICO BÁSICO

Un enfoque algorítmico con el soporte de MATLAB
Prefacio
Esta obra es una contribución dedicada a los estudiantes que toman el curso de Análisis Numérico en las
carreras de ingeniería en la ESPOL. El pre-requisito es haber tomado los cursos de matemáticas del ciclo
básico de nivel universitario y alguna experiencia previa con el programa MATLAB para aprovechar el poder
de este instrumento computacional y aplicar los métodos numéricos de manera efectiva.
El contenido se basa en la experiencia desarrollada en varios años impartiendo los cursos de Análisis
Numérico y Métodos Numéricos en las carreras de ingeniería, sin embargo esta obra solo pretende ser un
texto complementario para estas materias. La orientación principal del material es su aplicación
computacional, sin descuidar los conceptos matemáticos básicos con los que se fundamentan los métodos
numéricos.
Este texto contribuye también a difundir entre los estudiantes el uso del programa MATLAB para cálculos,
graficación y manejo matemático simbólico para integrarlo como un soporte común para todos los cursos
básicos matemáticos, incluyendo Álgebra Lineal, Cálculo Diferencial e Integral, Ecuaciones Diferenciales,
Análisis Numérico y otros.
MATLAB dispone de un amplio repertorio de funciones especiales para su aplicación inmediata en la
solución de una gran cantidad de problemas matemáticos, sin embargo sería equivocado usarlas como una
receta sin el conocimiento de sus fundamentos matemáticos. En este curso se desarrollan algunas
funciones alternativas a las que ofrece MATLAB, y en algunos casos, nuevas funciones cuya programación
es instructiva para orientar a los estudiantes en el desarrollo de software para matemáticas e ingeniería.
El segundo objetivo principal de esta obra es contribuir al desarrollo de textos virtuales en la ESPOL de tal
manera que puedan ser usados en línea e interactivamente, aunque también puedan imprimirse, pero
tratando de reducir al mínimo el uso de papel. Otra ventaja importante de los textos virtuales es que pueden
ser actualizados y mejorados continuamente sin costos de impresión. El texto ha sido compilado en formato
pdf. El tamaño del texto en pantalla es controlable y tiene un índice electrónico para facilitar la búsqueda
de temas. Se pueden usar facilidades para resaltar y marcar texto, agregar comentarios, notas, enlaces,
revisiones, búsqueda por contenido, etc.
Adjunto a este libro virtual se provee un documento en formato de texto copiable con todas las funciones
instrumentadas en MATLAB desarrolladas en este documento, de tal manera que los usuarios puedan
tomarlas y pegarlas en la ventana de edición de MATLAB, probarlas inmediatamente y posteriormente
realizar cambios y mejoras en las mismas.
También se adjunta un manual de uso del programa MATLAB para los usuarios que deseen adquirir o
mejorar su conocimiento de este programa.
Esta obra tiene derechos de autor pero es de uso y distribución libres y sin costo y estará disponible en la
página web del Instituto de Ciencias Matemáticas de la ESPOL www.icm.espol.edu.ec
Finalmente, debo agradecer a la ESPOL y a sus autoridades por dar las facilidades a sus profesores para
que desarrollen su actividad académica.
Luis Rodríguez Ojeda, MSc.
lrodrig@espol.edu.ec
Instituto de Ciencias Matemáticas
Escuela Superior Politécnica del Litoral
2011

7. 1
ANÁLISIS NUMÉRICO

Un enfoque algorítmico con el soporte de MATLAB
1 INTRODUCCIÓN
Análisis Numérico es una rama de la matemática cuyo objetivo principal es el estudio de
métodos para resolver problemas numéricos complejos. El estudio de estos métodos no es
reciente, pero actualmente con el apoyo de la computación se los puede usar con mucha
eficiencia en la resolución de problemas que antes no era posible.
En este curso se proporciona a los estudiantes el conocimiento matemático básico para proveer
soporte y formalidad a cada uno de los métodos estudiados. Se desarrolla la forma algorítmica
de los métodos y finalmente se instrumenta su forma computacional usando la capacidad de
cálculo, visualización y programación de MATLAB. Este componente práctico del curso es
desarrollado en un laboratorio de computación.
El estudio de cada método se complementa con el desarrollo de ejemplos y ejercicios que
pueden resolverse con la ayuda de una calculadora. Sin embargo, el objetivo principal del curso
es la aplicación de los métodos para obtener respuestas con precisión controlada en la
resolución de algunos problemas de ingeniería que por su complejidad requieren usar el
computador.
1.1 Resolución de problemas con el computador
Suponer un problema que debemos resolver y que está en nuestro ámbito de conocimiento.
En la etapa de Análisis es necesario estudiar y entender el problema. Sus características, las
variables y los procesos que intervienen. Asimismo, debemos conocer los datos requeridos y el
objetivo esperado. En el caso de problemas de tipo numérico, el resultado de esta etapa será un
modelo matemático que caracteriza al problema. Por ejemplo, un sistema de ecuaciones
lineales.
En la etapa de Diseño procedemos a elegir el método numérico apropiado para resolver el
modelo matemático. Debe suponerse que no se puede, o que sería muy laborioso, obtener la
solución exacta mediante métodos analíticos. Los métodos numéricos permiten obtener
soluciones aproximadas con simplicidad. El resultado de esta etapa es la formulación
matemática del método numérico y la elaboración de un algoritmo para usarlo.
En la etapa de Instrumentación elegimos el dispositivo de cálculo para la obtención de
resultados. En problemas simples, basta una calculadora. Para problemas complejos,
requerimos el computador mediante funciones predefinidas y en algunos casos, desarrollando
programas y funciones en un lenguaje computacional. Esta última opción es importante para la
comprensión de los métodos.
Este proceso debe complementarse con una revisión y retroalimentación. Es preferible invertir
más tiempo en las primeras etapas, antes de llegar a la instrumentación.

8. 2
1.2 Fuentes de error en la resolución de un problema numérico
En el Análisis pueden introducirse errores debido a suposiciones inadecuadas, simplificaciones
y omisiones al construir el modelo matemático. Estos errores se denominan errores inherentes.
En el Diseño se pueden introducir errores en los métodos numéricos utilizados los cuales se
construyen mediante fórmulas y procedimientos simplificados para obtener respuestas
aproximadas. También se pueden introducir errores al usar algoritmos iterativos. Estos errores
se denominan errores de truncamiento.
En la Instrumentación se pueden introducir errores en la representación finita de los números
reales en los dispositivos de almacenamiento y en los resultados de las operaciones aritméticas.
Este tipo de error se denomina error de redondeo. También se pueden introducir errores de
redondeo al usar datos imprecisos.
Los errores son independientes y su efecto puede acumularse. En el caso del error de redondeo
el efecto puede incrementarse si los valores que se obtienen son usados en forma consecutiva
en una secuencia de cálculos.
Debido a que los métodos numéricos en general, permiten obtener únicamente aproximaciones
para la respuesta de un problema, es necesario definir alguna medida para cuantificar el error en
el resultado obtenido. En general, no es posible determinar exactamente este valor por lo que al
menos debe establecerse algún criterio para estimarlo o acotarlo. Esta información es útil para
conocer la precisión de los resultados calculados.
1.3 El modelo matemático
Al resolver un problema con el computador, la parte más laboriosa normalmente es el análisis del
problema y la obtención del modelo matemático que finalmente se usa para obtener la solución.
El modelo matemático es la descripción matemática del problema que se intenta resolver. Esta
formulación requiere conocer el ámbito del problema y los instrumentos matemáticos para su
definición.
1.4 Algoritmos numéricos
Un algoritmo es una descripción ordenada de los pasos necesarios para resolver un problema.
Para diseñar un algoritmo para resolver un problema numérico es necesario conocer en detalle
la formulación matemática, las restricciones de su aplicación, los datos y algún criterio para
validar y aceptar los resultados obtenidos.
Esta descripción facilita la instrumentación computacional del método numérico. En problemas
simples puede omitirse la elaboración del algoritmo e ir directamente a la codificación
computacional.
1.5 Instrumentación computacional
En este curso se usará MATLAB para instrumentar los algoritmos correspondientes a los
métodos numéricos estudiados. La aplicación computacional puede realizarse usando
directamente la funcionalidad disponible en el lenguaje. Sin embargo, para comprender los
métodos numéricos, preferible instrumentar el algoritmo desarrollando una función en el lenguaje
computacional y tratando de que sea independiente de los datos específicos de un problema
particular para facilitar su reutilización. Estas funciones pueden llamarse desde la ventana de
comandos o mediante un programa que contendrá los datos del problema que se desea resolver.
Se supondrá que los estudiantes tienen el conocimiento básico del lenguaje y del entorno de
MATLAB. En este curso se suministra un tutorial para uso de este instrumento computacional.

9. 3
1.5.1 Elementos de MATLAB
MATLAB es un instrumento computacional simple de usar, versátil y de gran poder para
aplicaciones numéricas, simbólicas y gráficas. Contiene una gran cantidad de funciones
predefinidas para aplicaciones en áreas de las ciencias e ingeniería. Este instrumento puede
usarse en forma interactiva mediante comandos o mediante instrucciones creando programas
y funciones con las que se puede agregar poder computacional a la plataforma MATLAB.
1.5.2 Uso interactivo de MATLAB
Al ingresar al programa MATLAB se tiene acceso a la Ventana de Comandos. Los comandos
son las instrucciones que se escriben para obtener resultados en forma inmediata.
Ejemplo. Para calcular
= cos(2π) + 5 + 27
y
Digite en la ventana de comandos de MATLAB
y = cos(2*pi)+sqrt(5)+2^7
Obtendrá inmediatamente la respuesta Ventana de
y= comandos de
131.2361 MATLAB
Escribir el comando
Se obtiene la respuesta
1.5.3 Programación en MATLAB
Junto a este curso se suministra un tutorial de MATLAB. Se sugiere usarlo como referencia y
adquirir familiaridad con la sintaxis y operatividad de este lenguaje.
Para usar el componente programable de MATLAB debe abrir una ventana de edición
presionando el botón New M-File o New Script en la barra del menú de opciones de MATLAB.
Escriba el programa en la ventana de edición y almacénelo con algún nombre. Finalmente, active
el programa escribiendo el nombre en la ventana de comandos. Ingrese los datos y obtenga los
resultados.

10. 4
Ejemplo. Escribir y probar un programa en MATLAB un algoritmo para obtener la suma de las
dos mejores calificaciones de las tres obtenidas en un curso.
1) Presionar este botón para 2) Escribir el programa en
abrir la ventana de edición la ventana de edición
4) Activar el programa,
ingresar los datos y
obtener el resultado
3) Presionar este botón
para almacenar el
programa con algún
nombre
A continuación se proporciona un ejemplo para seguir el procedimiento descrito para la
resolución de un problema
Problema. Un empresario desea producir recipientes cilíndricos de aluminio de un litro de
capacidad. Cada recipiente debe tener un borde de 0.5 cm. adicionales para sellarlo. Determine
las dimensiones del recipiente para que la cantidad de material utilizado en la fabricación sea
mínima.

11. 5
Análisis
Para formular el modelo matemático del problema, debe entenderse detalladamente. En este
ejemplo el dibujo facilita visualizar sus componentes.
Sean: x, h: radio y altura del cilindro, respectivamente
Área total: s = 2π(x+0.5)2 + (2πx+0.5)h cm2 (1)
Dato del volumen requerido: v = πx2h = 1000 cm3 (2)
De (2) obtenemos h:
1000
h=
πx 2
Sustituimos en (1):
1000(2πx + 0.5)
s(x) = 2π(x + 0.5)2 +
πx 2
Se obtiene una función para la que debe determinarse el valor de la variable x que minimice s
El Cálculo Diferencial nos proporciona un procedimiento para obtener la respuesta. Se debe
resolver la ecuación: s'(x) = 0. Este es el modelo matemático del cual se obtendrá la solución.
Algoritmo
1) Dado el modelo matemático s(x)
2) Obtener s'(x)
3) Resolver la ecuación s'(x) = 0
4) Elegir y validar la respuesta
Instrumentación
Se realizará utilizando funciones existentes en el programa MATLAB
Es útil visualizar la función s mediante un gráfico
>> s='2*pi*(x+0.5)^2+1000*(2*pi*x+0.5)/(pi*x^2)';
>> ezplot(s,[0,20]),grid on

12. 6
2 π (x+0.5)2+1000 (2 π x+0.5)/(π x 2)
4000
3500
3000
2500
2000
1500
1000
500
0 2 4 6 8 10 12 14 16 18 20
x
Se observa que hay un valor real positivo que minimiza la función s(x)
Obtener la derivada de s(x)
>> d=diff(s)
d=
2*pi*(2*x + 1.0) + 2000/x^2 - (2*(2000*pi*x + 500.0))/(pi*x^3)
Resolver la ecuación s'(x)=0
>> x=eval(solve(d))
x=
5.3112
-0.1592
-2.8260 + 4.6881i
-2.8260 - 4.6881i
Por la naturaleza del problema, solamente la primera respuesta x(1) es aceptable
>> h=1000/(pi*x(1)^2)
h=
11.2842
Solución
Radio: x=5.3112
Altura: h=11.2842

13. 7
1.6 Preguntas
1. ¿Cual etapa del proceso de resolución de un problema numérico requiere mayor atención?
2. ¿Qué conocimientos son necesarios para formular un modelo matemático?
3. En el ejemplo del recipiente, ¿Cual sería la desventaja de intentar obtener experimentalmente
la solución mediante prueba y error en lugar de analizar el modelo matemático?
4. ¿Que es más crítico: el error de truncamiento o el error de redondeo?
5. ¿Cuál es la ventaja de instrumentar computacionalmente un método numérico?
6. ¿Por que es importante validar los resultados obtenidos?

14. 8
2 TIPOS DE MÉTODOS NUMÉRICOS
Existen dos estrategias para diseñar métodos numéricos y es importante conocer sus
características para elegirlos adecuadamente, así como su instrumentación computacional
2.1 Métodos iterativos
Los métodos iterativos son procedimientos para acercarse a la respuesta mediante
aproximaciones sucesivas. Estos métodos incluyen fórmulas que tienen la propiedad de producir
un resultado más cercano a la respuesta a partir de un valor estimado inicial. El resultado
obtenido se puede usar nuevamente como valor anterior para continuar mejorando la respuesta.
Se deben considerar algunos aspectos tales como la elección del valor inicial, la propiedad de
convergencia de la fórmula y el criterio para terminar las iteraciones.
Estos métodos son auto-correctivos. La precisión de la respuesta está dada por la distancia entre
el último valor calculado y la respuesta esperada. Esto constituye el error de truncamiento.
El siguiente gráfico describe la estructura de un método iterativo
Cada ciclo se denomina iteración. Si la fórmula converge, en cada iteración la respuesta estará
más cerca del resultado buscado. Aunque en general no es posible llegar a la respuesta exacta,
se puede acercar a ella tanto como lo permita la aritmética computacional del dispositivo de
cálculo.
Ejemplo. Instrumentar un método iterativo para calcular la raíz cuadrada r de un número real
positivo n mediante operaciones aritméticas básicas
Método Numérico
Se usará una fórmula que recibe un valor estimado para la raíz cuadrada y produce un valor más
cercano a la respuesta. Si se usa repetidamente la fórmula cada resultado tenderá a un valor
final que suponemos es la respuesta buscada. La obtención de estas fórmulas se realizará
posteriormente.
Sean x: valor estimado para la raíz r
1 n
Fórmula iterativa:=y (x + )
2 x
Algoritmo
1. Dados n y la precisión requerida E
2. Elegir el valor inicial x
3. Repetir
1 n
4. =
Calcular y (x + )
2 x
5. Asignar x a y.
6. Finalizar si |x-y| es menor que E
7. El último valor x será un valor aproximado para la raíz r con precisión E

15. 9
Ejemplo. Calcular r = 7 con la fórmula iterativa anterior
Usaremos x = 3 como valor inicial
Cálculos en MATLAB
>> format long
>> n=7;
>> x=3;
>> y=0.5*(x+n/x)
y=
2.666666666666667
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645833333333333
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645751312335958
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645751311064591
>> x=y;
>> y=0.5*(x+n/x)
y=
2.645751311064591
El último resultado tiene quince dígitos decimales que no cambian, por lo tanto podemos suponer
que la respuesta tiene esa precisión. Se observa la rápida convergencia de la sucesión de
números generad. Sin embargo es necesario verificar si la solución es aceptable pues si los
números convergen a un valor, no necesariamente es la respuesta correcta
>> y^2
ans =
7.00000000000000
Se comprueba que el último valor calculado es la raíz cuadrada de 7
Ejemplo. Suponer que se propone la siguiente fórmula iterativa para el ejemplo anterior:
n
= 0.4(x + )
y
x
>> n=7;
>> x=3;
>> y=0.4*(x+n/x)
y=
2.133333333333334
>> x=y;
>> y=0.4*(x+n/x)
y=
2.165833333333333
>> x=y;
>> y=0.4*(x+n/x)

16. 10
y=
2.159138258304477
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160468969251076
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160202499208563
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160255780068987
.
.
.
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160246899469289
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160246899469287
>> x=y;
>> y=0.4*(x+n/x)
y=
2.160246899469287
>> y^2
ans =
4.66666666666666
La fórmula converge pero el resultado final no es la raíz cuadrada de 7. Esto plantea la
importancia de verificar la formulación del método numérico y la validación de la respuesta
obtenida.
En general, los métodos numéricos se enfocan a resolver una clase o tipo de problemas. El
ejemplo anterior es un caso particular del problema general: la solución de ecuaciones no
lineales f(x)=0

17. 11
2.1.1 Convergencia de los métodos iterativos
Es la propiedad que tienen las formulas iterativas de un método numérico para producir
resultados cada vez más cercanos a la respuesta esperada.
Definición: Convergencia de un método iterativo
Sean r : Respuesta del problema (valor desconocido)
Xi : Valor calculado en la iteración i (valor aproximado)
Si un método iterativo converge, entonces
xi → r .
i→ ∞
.
2.1.2 Error de truncamiento
La distancia entre la respuesta esperada y cada valor calculado con una fórmula iterativa se
denomina error de truncamiento. Si la fórmula iterativa converge, la distancia entre valores
consecutivos se debe reducir y se puede usar como una medida para el error de truncamiento.
Definición: Error de truncamiento
Sean r : Respuesta del problema (valor desconocido)
Xi : Valor calculado en la iteración i (valor aproximado)
Xi+1: Valor calculado en la iteración i + 1 (valor aproximado)
Entonces
Ei = r – Xi : Error de truncamiento en la iteración i
Ei + 1 = r – Xi+1: Error de truncamiento en la iteración i + 1
2.1.3 Finalización de un proceso iterativo
Con la definición de convergencia se puede establecer un criterio para finalizar el proceso
iterativo. Consideremos los resultados de dos iteraciones consecutivas: xi , xi+1
Si el método converge, xi → r y también xi+ 1 → r
i→ ∞ i→ ∞
Restando estas dos expresiones: xi+ 1 − xi → 0 , se puede establecer un criterio de convergencia
i→∞
Definición: Criterio para finalizar un proceso iterativo (error absoluto)
Sea E algún valor positivo arbitrariamente pequeño.
Si el método converge, se cumplirá que a partir de alguna iteración i:
|Xi+1 - Xi| < E .
Este valor E es el error de truncamiento absoluto y puede usarse como una medida para la
precisión de la respuesta calculada.
La precisión utilizada en los cálculos aritméticos, debe ser coherente con el error de
truncamiento del método numérico y con los errores inherentes en el modelo matemático.
Adicionalmente, es necesario verificar que la respuesta final sea aceptable para el modelo
matemático y para el problema que se está resolviendo.

18. 12
Ejemplo. Se desea que la respuesta calculada para un problema con un método iterativo tenga
un error absoluto menor que 0.0001. Entonces el algoritmo deberá terminar cuando se cumpla
que |Xi+1 - Xi| < 0.0001. Los cálculos deben realizarse al menos con la misma precisión.
Para que el criterio del error sea independiente de la magnitud del resultado, conviene usar la
definición del error relativo:
Definición: Criterio para finalizar un proceso iterativo (error relativo)
Sea e algún valor positivo arbitrariamente pequeño.
Si el método converge, se cumplirá que a partir de alguna iteración i:
| xi+ 1 − xi |
<e .
| xi+ 1 |
Este valor e es el error de truncamiento relativo y puede usarse como una medida para la
precisión de la respuesta calculada, independiente de la magnitud de la respuesta. Para calcular
el error relativo se toma el último valor como si fuese exacto.
Ejemplo. Se desea que la respuesta calculada para un problema con un método iterativo tenga
un error relativo menor que 0.1%. Entonces el algoritmo deberá terminar cuando se cumpla que
| xi+ 1 − xi |
< 0.001 .
| xi+ 1 |
2.1.4 Eficiencia de un método iterativo
Sean Ei , Ei+ 1 los errores de truncamiento en las iteraciones i, i+1 respectivamente. Se supondrá
que los valores del error son pequeños y menores a 1.
Si a partir de alguna iteración i esta relación puede especificarse como | Ei+ 1 | = k | Ei |, siendo k
alguna constante positiva menor que uno, entonces se dice que la convergencia es lineal o de
primer orden y k es el factor de convergencia. Se puede usar la notación O( ) y escribir
Ei+ 1 = O(Ei ) para expresar de una manera simple el orden de esta relación, y se lee "orden de".
Si en un método esta relación es más fuerte tal como Ei+ 1 = O(Ei2 ) entonces el error se reducirá
más rápidamente y se dice que el método tiene convergencia cuadrática o de segundo orden.
Definición: Orden de convergencia de un método iterativo
Sean Ei , Ei+ 1 los errores en las iteraciones consecutivas i, i + 1 respectivamente
Si se pueden relacionar estos errores en la forma:
Ei+ 1 = O(En )
i
Entonces se dice que el método iterativo tiene convergencia de orden n.
Si un método iterativo tiene convergencia mayor que lineal, entonces si el método converge, lo
hará más rápidamente. .
2.1.5 Elección del valor inicial
Los métodos iterativos normalmente requieren que el valor inicial sea elegido apropiadamente. Si
es elegido al azar, puede ocurrir que no se produzca la convergencia.
Si el problema es simple, mediante algún análisis previo puede definirse una región de
convergencia tal que si el valor inicial y los valores calculados en cada iteración permanecen
en esta región, el método converge.

19. 13
2.1.6 Preguntas
Conteste las siguientes preguntas
1. ¿Por que el error de redondeo no debe ser mayor que el error de truncamiento?
2. Una ventaja de los métodos iterativos es que son auto-correctivos, es decir que si se introduce
algún error aritmético en una iteración, en las siguientes puede ser corregido. ¿Cuando no
ocurriría esta auto-corrección?
3. El ejemplo del método numérico para calcular 7 produce una secuencia numérica. ¿Le
parece que la convergencia es lineal o cuadrática?

20. 14
2.2 Métodos directos
Son procedimientos para obtener resultados realizando una secuencia finita de operaciones
aritméticas. La cantidad de cálculos aritméticos depende del tamaño del problema. El resultado
obtenido será exacto siempre que se puedan conservar en forma exacta los valores calculados
en las operaciones aritméticas, caso contrario se introducirán los errores de redondeo.
Ejemplo. Instrumentar un método directo para resolver un sistema triangular inferior de
ecuaciones lineales.
Modelo matemático
a1,1x1 = b1
a2,1x1 + a2,2x2 = b2
a3,1x1 + a3,2x2 + a3,3x3 = b3
....
an,1x1 + an,2x2 + ax,3x3 + . . . + an,nxn = bn
Siendo: ai,j: coeficientes (datos)
bi : constantes (datos)
xi : variables (resultados)
La formulación matemática del método se obtiene despejando sucesivamente xi de la ecuación i
1
x1 = (b1)
a1,1
1
x2 = (b2 - a2,1x1)
a2,2
1
x3 = (b3 - a3,1x1 - a3,2x2)
a3,3
...
En general:
1
xi = (bi - ai,1x1 - ai,2x2 - . . . - ai,i-1xi-1), i = 2, 3, . . . , n, ai,i ≠ 0
ai,i
Algoritmo
1) Dados n, a, b
1
2) Calcular x1 = (b1)
a1,1
3) Para i=2,3,…, n
1
4) Calcular xi = (bi - ai,1x1 - ai,2x2 - . . . - ai,i-1xi-1)
ai,i
5) fin
6) El vector x contendrá la solución exacta
Este algoritmo es un caso particular del problema general: solución de un sistema de ecuaciones
lineales. Los métodos numéricos normalmente se desarrollan para resolver una clase o tipo
general de problemas. La instrumentación puede hacerse mediante un programa, pero es más
conveniente definirlo como una función en MATLAB para estandarizar la entrada y salida de
variables.

21. 15
Instrumentación computacional en MATLAB
Para que la instrumentación sea general es preferible diseñar cada método numérico
independientemente de los datos de un problema particular. La instrumentación del método
numérico del ejemplo anterior se hará mediante una función en MATLAB.
El nombre para la función será "triangular". La función recibirá como datos la matriz de
coeficientes a y el vector de constantes b y producirá como resultado el vector solución v
(vector columna)
function v = triangular(a, b)
n = length(b);
x(1) = b(1)/a(1,1);
for i = 2: n
s = 0;
for j = 1: i-1
s = s + a(i,j)*x(j);
end
x(i) = (b(i) - s)/a(i,i);
end
v=x'; (se define el vector columna resultante)
Ejemplo. Escribir los comandos para resolver el siguiente problema usando la función anterior
3x1 =2
7x1 + 5x2 =3
8x1 + 2x2 + 9x3 = 6
>> a = [3 0 0; 7 5 0; 8 2 9] Definir la matriz
>> b = [2; 3; 6] Definir el vector de constantes
>> x = triangular(a, b) Uso de la función
Interacción con MATLAB
Ventana de
comandos Ventana de
edición
Ingreso de
comandos
Vector
resultante
Escribir y
almacenar la
función
Validar la
solución

22. 16
2.2.1 Error de redondeo
Los métodos numéricos operan con datos que pueden ser inexactos y con dispositivos para
representar a los números reales. El error de redondeo se atribuye a la imposibilidad de
almacenar todas las cifras de estos números y a la imprecisión de los instrumentos de medición
con los cuales se obtienen los datos.
Definición: Error de redondeo absoluto
Sean X: Valor exacto (normalmente desconocido)
X : Valor aproximado (observado o calculado)
E=X– X Error de redondeo .
Definición: Error de redondeo relativo
Sean X: Valor exacto (normalmente desconocido)
X : Valor aproximado (observado o calculado)
E: Error de redondeo
E E
=
e ≅ : Error de redondeo relativo. (X, X diferentes de cero)
X X
Debido a que normalmente no es posible calcular exactamente el valor de E, se debe intentar al
menos acotar su valor.
2.2.2 Error en la representación de los números reales
Las operaciones aritméticas pueden producir resultados que no se pueden representar
exactamente en los dispositivos de almacenamiento. Si estos errores se producen en forma
recurrente entonces el error propagado pudiera crecer en forma significativa dependiendo de la
cantidad de operaciones requeridas. Esta cantidad de operaciones está determinada por la
eficiencia del algoritmo.
Ejemplo. Suponga que un dispositivo puede almacenar únicamente los cuatro primeros dígitos
decimales de cada número real y trunca los restantes (esto se llama redondeo inferior).
Se requiere almacenar el número:
X = 536.78
Primero expresemos el número en forma normalizada, es decir sin enteros y ajustando su
magnitud con potencias de 10:
X = 0.53678x103
Ahora descomponemos el número en dos partes
X = 0.5367x103 + 0.00008x103
El valor almacenado es un valor aproximado
X = 0.5367x103
El error de redondeo por la limitación del dispositivo de almacenamiento es
3-4 -1
E = 0.00008x103 = 0.8x10 = 0.8x10
En general, si n es la cantidad de enteros del número normalizado con potencias de 10, y m es
la cantidad de cifras decimales que se pueden almacenar en el dispositivo, entonces si se
truncan los decimales sin ajustar la cifra anterior, el error de redondeo absoluto está acotado por:
| E |< 1 ∗ 10n−m
Mientras que el error relativo:
max(| E |) 1 ∗ 10n−m
| e |< = =− m (Solo depende del almacenamiento)
10 ∗ 10
min(| X |) 0.1 ∗ 10n

23. 17
2.2.3 Error de redondeo en las operaciones aritméticas
En los métodos directos debe considerarse el error en las operaciones aritméticas cuando la
cantidad de cálculos requeridos es significativo
a) Error de redondeo en la suma
Sean X, Y : Valores exactos
X , Y : Valores aproximados
Con la definición de error de redondeo
EX = X - X , EY = Y - Y
S=X+Y
S = ( X + EX) + ( Y + EY) = ( X + Y ) + (EX + EY)
S= X + Y Valor que se almacena
Error de redondeo absoluto en la suma
EX+Y = EX + EY
|EX+Y| ≤ |EX| + |EY|
Error de redondeo relativo en la suma
EX + Y EX + EY EX EY X EX Y EY
eX+ Y = = = + = +
X+Y X+Y X+Y X+Y X+Y X X+Y Y
X Y
=
eX + Y ex + eY
X+Y X+Y
X Y
| eX + Y | ≤ | ex | + | eY |
X+Y X+Y
b) Error de redondeo en la multiplicación
P=XY
P = ( X + EX) ( Y + EY) = X Y + X EY + Y EX + EXEY
P = X Y + X EY + Y EX El último término se descarta por ser muy pequeño
P= X Y Valor que se almacena
Error de redondeo absoluto en la multiplicación
EXY = X EY + Y EX
|EXY| ≤ | X EY| + | Y EX|
La magnitud del error de redondeo en la multiplicación puede ser tan grande como la suma de
los errores de redondeo de los operandos ponderada por cada uno de sus respectivos valores.
Error de redondeo relativo en la multiplicación
E XE + YEX XEY YEX EY EX
e XY = XY = Y = + = +
XY XY XY XY Y X
e XY e x + e Y
=
| e XY | ≤ | e x | + |e Y |
En general, si los valores de los operandos tienen ambos el mismo signo se puede concluir que
la operación aritmética de multiplicación puede propagar más error de redondeo que la suma.
Adicionalmente, si el resultado de cada operación aritmética debe almacenarse, hay que agregar
el error de redondeo debido a la limitación del dispositivo de almacenamiento.

24. 18
2.2.4 Propagación del error de redondeo en las operaciones aritméticas
Algunos casos de interés
a) Suma de números de diferente magnitud
Es suficiente considerar tres números: X, Y, Z. Suponer por simplicidad que los datos son
valores positivos exactos, por lo tanto eX = 0, eY = 0, ez = 0
S = X + Y + Z, con X>Y>Z
Suponer que la suma se realiza en el orden escrito
S = (X + Y) + Z
X Y
eX + Y = eX + e Y + r1 = r1 r1: error de redondeo al almacenar la suma
X+Y X+Y
X+Y Z X+Y (X + Y)r1 + (X + Y + Z)r2
=
e(X + Y)+ Z eX + Y + =e Z + r2 = r1 + r2
X+Y+Z X+Y+Z X+Y+Z X+Y+Z
r2: error de redondeo al almacenar la suma
Si cada resultado se almacena en un dispositivo que tiene m cifras su cota de error de redondeo:
| r1,r2 |< 10 ∗ 10− m
(2X + 2Y + Z)10 ∗ 10 − m
| e(X + Y)+ Z |<
X+Y+Z
Se puede concluir que la suma de números debe realizarse comenzando con los números de
menor magnitud
b) Resta de números con valores muy cercanos
Suponer que se deben restar dos números muy cercanos X=578.1, Y=577.8 con error de
redondeo en el segundo decimal: EX=EY=0.05 aproximadamente (ambos errores pueden ser del
mismo signo o de diferente signo, depende de la forma como se obtuvieron los datos X, Y)
EX EY
e X = 0.000086 =
≅ 0.0086% , e Y = 0.000086 =
≅ 0.0086%
X Y
Cota para el error de redondeo relativo:
EX − Y EX − EY EX EY
= =
eX − Y = −
X−Y X−Y X−Y X−Y
EX EY
| eX − Y | ≤ | |+|− |
X−Y X−Y
0.05 0.05
| eX − Y | ≤ | |+|− | ≅ 0.3333 =33.33%
578.1 − 577.8 578.1 − 577.8
El aumento en la cota del error en el resultado es muy significativo con respecto a los operandos.
Se concluye que se debe evitar restar números cuya magnitud sea muy cercana.
Adicionalmente habría que aumentar el efecto del error de redondeo r al almacenar el resultado.

25. 19
2.2.5 Eficiencia de los métodos directos
La eficiencia de un algoritmo está relacionada con el tiempo necesario para obtener la solución.
Este tiempo depende de la cantidad de operaciones aritméticas que se deben realizar. Así, si se
tienen dos algoritmos para resolver un mismo problema, es más eficiente el que requiere menos
operaciones aritméticas para producir el mismo resultado. Adicionalmente, el algoritmo más
eficiente acumulará menos error si los resultados son números reales que no pueden
representarse en forma exacta en el dispositivo de cálculo.
Sea n el tamaño del problema, y T(n) la eficiencia del algoritmo (cantidad de operaciones
aritméticas requeridas). Para obtener T(n) se pueden realizar pruebas en el computador con
diferentes valores de n registrando el tiempo de ejecución. Siendo este tiempo proporcional a la
cantidad de operaciones aritméticas que se realizaron, se puede estimar la función T(n).
Esta forma experimental para determinar T(n) tiene el inconveniente de requerir la
instrumentación computacional del algoritmo para realizar las pruebas. Es preferible conocer la
eficiencia del algoritmo antes de invertir esfuerzo en la programación computacional.
Para determinar T(n) se puede analizar la formulación matemática del método numérico o la
estructura del algoritmo.
Ejemplo. El siguiente algoritmo calcula la suma de los cubos de los primeros n números
naturales. Encontrar T(n)
Sea T la cantidad de sumas que se realizan
...
s←0
Para i=1, 2, ..., n
s ← s + i3
fin
...
La suma está dentro de una repetición que se realiza n veces, por lo tanto,
T(n) = n
Ejemplo. El siguiente algoritmo suma los elementos de una matriz cuadrada a de orden n.
Encontrar T(n)
Sea T la cantidad de sumas
...
s←0
Para i=1, 2, ..., n
Para j=1, 2, ..., n
s ← s + ai, j
fin
fin
...
La suma está incluida en una repetición doble. La variable i, cambia n veces y para cada uno de
sus valores, la variable j cambia n veces. Por lo tanto.
T(n) = n2

26. 20
Ejemplo. El siguiente algoritmo es una modificación del anterior. Suponga que se desea sumar
únicamente los elementos de la sub-matriz triangular superior. Obtener T(n)
...
s←0
Para i=1, 2, ..., n
Para j=i, i+1, ..., n
s ← s + ai, j
fin
fin
...
Si no es evidente la forma de T(n), se puede recorrer el algoritmo y anotar la cantidad de sumas
que se realizan
i j
1 n
2 n-1
3 n-2
... ...
n-1 2
n 1
n n2 n
Entonces, T(n) = 1 + 2 + .... + n = (n + 1) = + (suma de una serie aritmética)
2 2 2
2.2.6 La notación O( )
Supongamos que para resolver un problema se han diseñado dos algoritmos: A y B, con
eficiencias TA(n) = 10n+2, TB(n) = 2n2 + 3, respectivamente. ¿Cual algoritmo es más eficiente?.
Para valores pequeños de n, TB(n) < TA(n), pero para valores grandes de n, TA(n) < TB(n). Es
de interés práctico determinar la eficiencia de los algoritmos para valores grandes de n, por lo
tanto el algoritmo A es más eficiente que el algoritmo B como se puede observar en el gráfico:
Si T(n) incluye términos con n que tienen diferente orden, es suficiente considerar el término de
mayor orden pues es el que determina la eficiencia del algoritmo cuando n es grande. No es
necesario incluir los coeficientes y las constantes.

27. 21
Ejemplo. Suponga T(n) = n2 + n + 10. Evaluar T para algunos valores de n
T(2) = 4 + 2 + 10
T(5) = 25 + 5 + 10
T(20) = 400 + 20 + 10
T(100) = 10000 + 100 + 10
Se observa que a medida que n crece, T depende principalmente de n2. Este hecho se puede
expresar usando la notación O( ) la cual indica el “orden” de la eficiencia del algoritmo, y se
puede escribir: T(n) = O(n2) lo cual significa que la eficiencia es proporcional a n2, y se dice que
el algoritmo tiene eficiencia cuadrática o de segundo orden.
En general, dado un problema de tamaño n, la medida de la eficiencia T(n) de un algoritmo se
puede expresar con la notación O(g(n)) siendo g(n) alguna expresión tal como: n, n2, n3, ...,
log(n), n log(n), ..., 2n, n!, ... la cual expresa el orden de la cantidad de operaciones aritméticas
que requiere el algoritmo.
Es de interés medir la eficiencia de los algoritmos para problemas de tamaño grande, pues para
estos valores de n se debe conocer la eficiencia. En el siguiente cuadro se ha tabulado T(n) con
algunos valores de n y para algunas funciones típicas g(n).
Tabulación de T(n) con algunos valores de n para algunas funciones típicas g(n)
n [log(n)] n [n log(n)] n2 n3 2n n!
1 0 1 0 1 1 2 1
3 1 3 3 9 27 8 6
5 1 5 8 25 125 32 120
7 1 7 13 49 343 128 5040
9 2 9 19 81 729 512 3.62x105
11 2 11 26 121 1331 2048 3.99x107
13 2 13 33 169 2197 8192 6.22x109
15 2 15 40 225 3375 32768 1.30x1012
17 2 17 48 289 4913 1.31x105 3.55x1014
19 2 19 55 361 6859 5.24x105 1.21x1017
21 3 21 63 441 9261 2.09x106 5.10x1019
23 3 23 72 529 12167 8.38x106 2.58x1022
25 3 25 80 625 15625 3.35x107 1.55x1025
50 3 50 195 2500 125000 1.12x1015 3.04x1064
100 4 100 460 10000 1000000 1.26x1030 9.33x10157
Los algoritmos en las dos últimas columnas son de tipo exponencial y factorial
respectivamente. Se puede observar que aún con valores relativamente pequeños de n el valor
de T(n) es extremadamente alto. Los algoritmos con este tipo de eficiencia se denominan no-
factibles pues ningún computador actual pudiera calcular la solución en un tiempo aceptable
para valores de n grandes
La mayoría de los algoritmos que corresponden a los métodos numéricos son de tipo polinomial
2 3
con g(n) = n, n , n .

28. 22
2.2.7 Ejercicios
1. Encuentre la cota del error relativo en la siguiente operación aritmética:
T = X(Y – Z)
El error de redondeo relativo de los operandos es respectivamente eX, eY, ez, y el error
de redondeo relativo en el dispositivo de almacenamiento es rm
a) Primero se realiza la multiplicación y luego la resta
b) Primero se realiza la resta y luego la multiplicación
2. Suponga que tiene tres algoritmos: A, B, C con eficiencia respectivamente:
TA(n) = 5n + 50
TB(n) = 10n ln(n) + 5
TC(n) = 3n2 + 1
a) Determine n a partir del cual A es más eficiente que B
b) Determine n a partir del cual B es más eficiente que C
c) Coloque los algoritmos ordenados según el criterio de eficiencia establecido
3. Exprese la eficiencia de los algoritmos A, B, C con la notación O( )
4. Los computadores actuales pueden realizar 100 millones de operaciones aritméticas en un
segundo. Calcule cuanto tiempo tardaría este computador para resolver un problema de tamaño
n=50 si el algoritmo es de tipo:
a) Polinomial de tercer grado
b) Exponencial
c) Factorial
5. Determine la función de eficiencia T(n) del algoritmo triangular incluido en el capítulo 1 y
exprésela con la notación O( ). Suponga que es de interés conocer la cantidad total de ciclos que
se realizan.
6. Dado el siguiente algoritmo
Ingresar n
Mientras n>0 repita
d ← mod(n, 2) Produce el residuo entero de la división n/2
n ← fix(n/2) Asigna el cociente entero de la división n/2
Mostrar d
fin
a) Recorra el algoritmo con n = 73
b) Suponga que T(n) representa la cantidad de operaciones aritméticas de división que se
realizan para resolver el problema de tamaño n. Encuentre T(n) y exprésela con la notación O( )
Para obtener T(n) observe el hecho de que en cada ciclo el valor de n se reduce
aproximadamente a la mitad.

29. 23
3 RAÍCES REALES DE ECUACIONES NO-LINEALES
Sea f: R→R. Dada la ecuación f(x) = 0, se debe encontrar un valor real r tal que f(r) = 0.
Entonces r es una raíz real de la ecuación
Si no es posible obtener la raíz directamente, entonces se debe recurrir a los métodos numéricos
iterativos para calcular r en forma aproximada con alguna precisión controlada. Se han creado
muchos métodos numéricos para resolver este problema clásico, pero con el uso de
computadoras para el cálculo, conviene revisar solamente algunos de estos métodos que tengan
características significativamente diferentes.
3.1 Método de la bisección
Sea f: R→R. Suponer que f es continua en [a, b], y que además f(a) y f(b) tienen signos
diferentes. Por continuidad, el intervalo (a, b) contendrá al menos una raíz real.
El siguiente teorema establece la existencia de la raíz r:
Teorema de Bolzano: Si una función f es continua en un intervalo [a, b] y f(a) tiene signo
diferente que f(b), entonces existe por lo menos un punto r en (a, b) tal que f(r)=0.
Si además f'(x) no cambia de signo en el intervalo [a, b], entonces la solución es única.
El método de la bisección es un método simple y convergente para calcular r. Consiste en
calcular el punto medio c=(a+b)/2 del intervalo [a, b] y sustituirlo por el intervalo [c, b] ó [a, c]
dependiendo de cual contiene a la raíz r. Este procedimiento se repite hasta que la distancia
entre a y b sea muy pequeña, entonces el último valor calculado c estará muy cerca de r.
Interpretación gráfica del método de la bisección
En la figura se puede observar que luego de haber calculado c, para la siguiente iteración debe
sustituirse el intervalo [a, b] por [c, b] debido a que f(a) y f(c) tienen igual signo y por lo tanto la
raíz estará en el intervalo [c, b]
3.1.1 Convergencia del método de la bisección
Sean ai, bi, ci los valores de a, b, c en cada iteración i=1, 2, 3, . . . respectivamente
El método de la bisección genera una sucesión de intervalos [a, b], [a1, b1], [a2, b2], …, [ai, bi]
tales que a ≤ a1 ≤ a2 … ≤ ai constituyen una sucesión creciente y b ≥ b1 ≥ b2 …, ≥ bi una
sucesión decreciente con ai < bi. Además por definición del método: ci, r ∈ [ai, bi] en cada
iteración i

30. 24
Sean di = bi – ai longitud del intervalo [ai, bi] en la iteración i=1, 2, 3, . . .
d = b – a longitud del intervalo inicial
Recorrido de las iteraciones
Iteración Longitud del intervalo
1 d1 = d /2
2 d2 = d1/2 = d/22
3 d3 = d2/2 = d/23
4 d4 = d3/2 = d/24
... ...
i di = d/2i
Entonces
d
→ 0 ⇒ di → 0 ⇒ ai → bi ⇒ ci → r ⇒ ∃i>0 | ci − r |< E para algún valor positivo E
2i i→∞ i→∞ i→∞
i→∞
Suponer que se desea que el último valor calculado ci tenga precisión E = 0.001, entonces si el
algoritmo termina cuando bi – ai < E, se cumplirá que |ci – r| < E y ci será una aproximación
para r con un error menor que 0.0001
Se puede predecir el número de iteraciones que se deben realizar con el método de la Bisección
para obtener la respuesta con una precisión requerida E:
En la iteración i: di = d/2i
Se desea terminar cuando: di < E
Entonces se debe cumplir d/2i < E
log(d / E)
De donde se obtiene: i>
log(2)
Ejemplo. La ecuación f(x) = x ex - π = 0 tiene una raíz real en el intervalo [0, 2]. Determine
cuantas iteraciones deben realizarse con el método de la bisección para obtener un resultado
con precisión E=0.0001.
El número de iteraciones que deberán realizarse es:
i > log(2/0.0001)/log(2) ⇒ i >14.287 ⇒ 15 iteraciones
3.1.2 Algoritmo del método de la bisección
Calcular una raíz r real de la ecuación f(x) = 0 con precisión E.
f es contínua en un intervalo [a, b] tal que f(a) y f(b) tienen signos diferentes
1) Defina f, el intervalo inicial [a, b] y la precisión requerida E
2) Calcule el punto central del intervalo: c=(a+b)/2
3) Si f(c)=0, c es la raíz y termine
4) Si la raíz se encuentra en el intervalo [a, c], sustituya b por c
5) Si la raíz se encuentra en el intervalo [c, b] sustituya a por c
6) Repita los pasos 2), 3), 4), 5) hasta que la longitud del intervalo [a, b] sea
menor que E.
El último valor calculado c estará al menos a una distancia E de la raíz r.

31. 25
Ejemplo. Calcule una raíz real de f(x) = x ex - π = 0 en el intervalo [0, 2] con precisión 0.01
La función f es continua y además f(0)<0, f(2)>0, por lo tanto la ecuación f(x)=0 debe contener
alguna raíz real en el intervalo [0, 2]
Cantidad de iteraciones
log(d / E) log(1/ 0.01)
i> = = 7.6439 ⇒ 8 iteraciones
log(2) log(2)
Tabulación de los cálculos para obtener la raíz con el método de la Bisección
iteración a b c sign(f(a)) sign(f(c))
inicio 0 2 1 - -
1 1 2 1.5 - +
2 1 1.5 1.25 - +
3 1 1.25 1.125 - +
4 1 1.125 1.0625 - -
5 1.0625 1.125 1.0938 - +
6 1.0625 1.0938 1.0781 - +
7 1.0625 1.0781 1.0703 - -
8 1.0703 1.0781 1.0742
En la octava iteración:
b – a = 1.0781-1.0703 = 0.0078 ⇒ |r – c|<0.01
r = 1.074 con error menor que 0.01
En la última iteración se observa que el intervalo que contiene a la raíz se ha reducido a
[1.0703, 1.0781], por lo tanto el último valor calculado de c = 1.074 debe estar cerca de r con
una distancia menor que 0.01
3.1.3 Eficiencia del método de la bisección
Suponer el caso más desfavorable, en el que r está muy cerca de uno de los extremos del
intervalo [a, b]:
Sean Ei = r − ci : error en la iteración i
Ei+ 1= r − ci+ 1 : error en la iteración i+1
En cada iteración la magnitud del error se reduce en no más de la mitad respecto del error en la
1
iteración anterior: Ei+ 1 ≤ Ei . Esta es una relación lineal. Con la notación O( ) se puede escribir:
2
Ei+ 1 = O(Ei ) . Entonces, el método de la Bisección tiene convergencia lineal o de primer orden.

32. 26
3.1.4 Instrumentación computacional del método de la bisección
Calcular una raíz r real de la ecuación f(x) = 0. f es contínua en un intervalo [a, b] tal que f(a) y
f(b) tienen signos diferentes
Para instrumentar el algoritmo de este método se escribirá una función en MATLAB. El nombre
será bisección. Recibirá como parámetros f, a, b, y entregará c como aproximación a la raíz r.
Criterio para salir: Terminar cuando la longitud del intervalo sea menor que un valor pequeño e
especificado como otro parámetro para la función. Entonces el último valor c estará
aproximadamente a una distancia e de la raíz r.
function c = biseccion(f, a, b, e)
while b-a >= e
c=(a+b)/2;
if f(c)==0
return
else
if sign(f(a))==sign(f(c))
a=c;
else
b=c;
end
end
end
Ejemplo. Desde la ventana de comandos de MATLAB, use la función bisección para calcular
x
una raíz real de la ecuación f(x) = xe - π = 0. Suponer que se desea que el error sea menor
que 0.0001.
Por simple inspección se puede observar que f es continua y además f(0) < 0, f(2) > 0. Por lo
tanto se elije como intervalo inicial: [0, 2]. También se puede previamente graficar f.
En la ventana de comandos de MATLAB se escribe:
>> f = 'x*exp(x)-pi';
>> c = biseccion(inline(f), 0, 2, 0.0001)
c=
1.073669433593750 Este es el resultado calculado
>> subs(f,'x',c) Al evaluar f(c) se obtiene un valor cercano a 0
ans =
6.819373368882609e-005

33. 27
Ejemplo. Encontrar las intersecciones en el primer cuadrante de los gráficos de las funciones:
f(x) = 4 + cos(x+1), g(x)=ex sen(x).
Primero se grafican las funciones para visualizar las intersecciones:
>> f='4+x*cos(x+1)';
>> g='exp(x)*sin(x)';
>> ezplot(f,[0,3.5]),grid on,hold on
>> ezplot(g,[0,3.5]) e p( ) s ( )
8
6
4
2
0
-2
-4
-6
0 0.5 1 1.5 2 2.5 3 3.5
x
Las intersecciones son las raíces de la ecuación h(x) = f(x) – g(x) = 0
El cálculo de las raíces se realiza con el método de la bisección con un error menor a 0.0001
>> h='4+x*cos(x+1)-exp(x)*sin(x)';
>> c=biseccion(inline(h),1,1.5,0.0001)
c=
1.233726501464844
>> c=biseccion(inline(h),3,3.2,0.0001)
c=
3.040667724609375

34. 28
3.2 Método del punto fijo
Sea f: R→R. Dada la ecuación f(x)=0, encuentre r tal que f(r)=0
El método del punto fijo, también conocido como método de la Iteración funcional es el
fundamento matemático para construir métodos eficientes para el cálculo de raíces reales de
ecuaciones no lineales.
Este método consiste en re-escribir la ecuación f(x) = 0 en la forma x = g(x). Esta nueva
ecuación debe ser consistente con la ecuación original en el sentido de que debe satisfacerse
con la misma raíz:
r = g(r) ⇔ f(r)=0
3.2.1 Existencia de una raíz real con el método del punto fijo
Suponer que la ecuación f(x) = 0, se sustituye por la ecuación x = g(x). Suponer además que
g es una función continua en un intervalo [a, b] y que g(a) > a y g(b) < b como se muestra
en el siguiente gráfico
Sea h(x) = g(x) - x una función, también continua, en el intervalo [a, b]
Entonces h(a) = g(a) - a > 0,
h(b) = g(b) - b < 0
Por la continuidad de h, (Teorema de Bolzano), existe algún valor r en el intervalo [a, b], en el
cual h(r)=0. Entonces g(r) - r = 0. Por lo tanto g(r)=r ⇒ f(r)=0, y r es una raíz real de f(x)=0
3.2.2 Algoritmo del punto fijo
La ecuación x=g(x) se usa para construir una fórmula iterativa xi+1 = g(xi), i = 0, 1, 2, 3, . . .
siendo x0 el valor inicial, elegido con algún criterio. En la fórmula se usa un índice para numerar
los valores calculados.
Con la fórmula iterativa se obtiene una sucesión de valores x esperando que tienda a un valor
que satisfaga la ecuación x = g(x) lo cual implica que la ecuación f(x) = 0 también se
satisface.
1) Elegir un valor inicial x0
2) Generar la sucesión de valores con la fórmula iterativa:
xi+1 = g(xi), i = 0, 1, 2, 3, ...
3) Si el método converge, la sucesión xi tenderá hacia un valor fijo que satisface la
ecuación x = g(x)

35. 29
Ejemplo. Calcule una raíz real de f(x) = ex - πx = 0 con el método del punto fijo.
Un gráfico de f nos muestra que la ecuación tiene dos raíces reales en el intervalo [0, 2]
Re-escribir la ecuación en la forma x = g(x).
Tomando directamente de la ecuación (puede haber varias opciones)
a) x = g(x) = e /π
x
b) x = g(x) = ln(πx)
c) x = g(x) = e – πx + x, etc
x
Usaremos la primera
Escribir la fórmula iterativa:
x
xi+1 = g(xi) = e i /π, i = 0, 1, 2, 3, . . .
Elegir un valor inicial x0 = 0.6 (cercano a la primera raíz, tomado del gráfico)
Calcular los siguientes valores
x
x1 = g(x0) = e 0 /π = e 0.6 /π = 0.5800
x1 0.5800
x2 = g(x1) = e /π = e /π = 0.5685
0.5685
x3 = g(x2) = e /π = 0.5620
x4 = g(x3) = e 0.5620 /π = 0.5584
0.5584
x5 = g(x4) = e /π = 0.5564
0.5564
x6 = g(x5) = e /π = 0.5552
...
La diferencia entre cada par de valores consecutivos se reduce en cada iteración. En los
últimos la diferencia está en el orden de los milésimos, por lo tanto podemos considerar que el
método converge y el error está en el orden de los milésimos.

36. 30
Para calcular la segunda raíz, usamos la misma fórmula iterativa:
x
xi+1 = g(xi) = e i /π, i = 0, 1, 2, 3, . . .
El valor inicial elegido es x0 = 1.7 (cercano a la segunda raíz, tomado del gráfico)
Calcular los siguientes valores
x
x1 = g(x0) = e 0 /π = e1.7 /π = 1.7424
x2 = g(x1) = e x1 /π = e1.7424 /π = 1.8179
x3 = g(x2) = e1.8179 /π = 1.9604
x4 = g(x3) = e1.9604 /π = 2.2608
x5 = g(x4) = e 2.2608 /π = 3.0528
x6 = g(x5) = e 3.0528 /π = 6.7399
x6 = g(x5) = e 6.7399 /π = 269.1367
...
La diferencia entre cada par de valores consecutivos aumenta en cada iteración. Se concluye
que el método no converge.
En el ejemplo anterior, las raíces reales de la ecuación f(x)=0 son las intersecciones de f con el
eje horizontal. En el problema equivalente x=g(x), las raíces reales son las intersecciones entre
g y la recta x:
En el cálculo de la primera raíz, la pendiente de g es menor que la pendiente de x y se observa
que la secuencia de valores generados tiende a la raíz. La interpretación gráfica del proceso de
cálculo se describe en la siguiente figura.

37. 31
x
0.6
0.59
0.58
0.57
0.56
0.55
x
0.54
0.53
0.52
g(x)
0.51
0.5
0.5 0.52 0.54 0.56 0.58 0.6 0.62
x
Para la segunda raíz, la pendiente de g es mayor que la pendiente de x y se puede constatar
que la secuencia de valores generados se aleja de la raíz.
Se puede observar que la convergencia parece relacionada con la pendiente de g(x). Esto se
prueba mediante el siguiente desarrollo
3.2.3 Convergencia del método del punto fijo
Para el método del punto fijo
f(x) = 0, x = g(x) (ecuaciones equivalentes)
Si r es una raíz se debe cumplir
r = g(r) ⇔ f(r) = 0 (se satisfacen con la misma raíz)
Fórmula iterativa
xi+1 = g(xi), i = 0, 1, 2, 3, . . .
Definiciones:
Ei = r – xi : Error en la iteración i
Ei+1 = r – xi+1: Error en la iteración i + 1
Suponer que g es continua en el intervalo que incluye a r y a cada punto calculado xi.
Por el Teorema del Valor Medio:
g(xi ) − g(r)
g'(z) = , para algún z ∈ (r, xi)
xi − r

38. 32
Sustituyendo las definiciones anteriores:
x − r Ei+ 1
g'(z) = i+ 1 = ⇒ Ei+ 1 = g'(z)Ei , i = 0, 1, 2, 3, . . .
xi − r Ei
Este resultado indica que si en cada iteración, la magnitud de g’( ) se mantiene menor que uno,
entonces Ei+ 1 → 0 y por lo tanto, r − xi+ 1 → 0 ⇒ xi+ 1 → r (el método converge).
i→∞ i→∞ i→∞
Se puede extender a los casos en los cuales g tiene pendiente negativa y deducir en general
la condición de convergencia del método del punto fijo: |g’(x)| < 1.
Si g(x) es simple, se puede construir el intervalo en el cual la fórmula converge:
Ejemplo. Encuentre el intervalo de convergencia para el ejemplo anterior.
f(x) = ex - πx = 0
x = g(x) = e /π
x
Condición de convergencia: |g’(x)| < 1
g’(x) = e /π |e /π| < 1
x x
⇒ ⇒ x < ln(π)
Intervalo de convergencia: ( −∞, ln( π ))
Con lo que se concluye que la segunda raíz no se puede calcular con esta fórmula.
Ejemplo. Calcule una raíz real de la misma ecuación f(x) = ex - πx = 0 con el método del punto
fijo con otra forma de la ecuación de recurrencia x=g(x).
Para este ejemplo se decide usar la segunda forma: x = g(x)=ln(πx)
x
2
1.8
1.6
1.4
g(x)
1.2
1
0.8 x
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
x
Según la condición de convergencia establecida, el gráfico muestra que será imposible calcular
la primera raíz. La segunda raíz si podrá ser calculada. Se puede verificar numéricamente.

39. 33
Ejemplo. Calcular con MATLAB la segunda raíz de la ecuación: f(x)=exp(x)-πx mediante la
fórmula de recurrencia: x=g(x)=ln(πx)
>> g=inline('log(pi*x)');
>> ezplot('x',[0,2]),grid on,hold on Graficar x vs. g(x)
>> ezplot(g,[0,2]) Produce el gráfico de la página anterior
>> x=1.6; Valor inicial para la segunda raíz
>> x=g(x)
x=
1.6147
>> x=g(x) Reusar el comando
x=
1.6239
>> x=g(x)
x=
1.6296
>> x=g(x)
x=
1.6330
……
>> x=g(x) Valor final luego de 15 iteraciones
x=
1.6385
3.2.4 Eficiencia del método del punto fijo
El método del punto fijo tiene convergencia lineal o de primer orden debido a que Ei y Ei+1 están
relacionados directamente mediante el factor de convergencia: Ei+ 1 = g'(z)Ei , por lo tanto este
método tiene convergencia lineal Ei+ 1 = O(Ei ) y g'(z) es el factor de convergencia. Si su
magnitud permanece mayor a 1, el método no converge.

40. 34
3.3 Método de Newton
Sean f: R→R, y la ecuación f(x)=0. Sea r tal que f(r)=0, entonces r es una raíz real de la
ecuación.
El método de Newton, o Newton-Raphson, es una fórmula eficiente para encontrar r. Es un
caso especial del método del punto fijo en el que la ecuación f(x) = 0 se re-escribe en la forma
x = g(x) eligiendo g de tal manera que la convergencia sea de segundo orden.
3.3.1 La fórmula de Newton
Suponer que g es una función diferenciable en una región que incluye a la raíz r y al valor xi
(calculado en la iteración i). Desarrollando con la serie de Taylor:
g(xi) = g(r) + (xi - r) g’(r) + (xi - r)2g’’(r)/2! + . . .
Con las definiciones del método del punto fijo:
r = g(r)
xi+1 = g(xi), i = 0, 1, 2, 3, . . .
Se obtiene:
xi+1 = r + (xi - r) g’(r) + (xi - r)2g’’(r)/2! + . . .
Si se define el error de truncamiento de la siguiente forma:
Ei = xi - r: Error en la iteración i
Ei+ 1 = xi+1 - r: Error en la iteración i +1
Finalmente se obtiene:
Ei+ 1 = Ei g’(r) + Ei2 g’’(r)/2! + . . .
Si se hace que g’(r) = 0, y si g’’(r) ≠ 0, entonces se tendrá:
Ei+ 1 = O( Ei2 ),
Con lo que el método tendrá convergencia cuadrática.
El procedimiento para hacer que g’(r) = 0, consiste en elegir una forma apropiada para g(x):
g(x) = x - f(x) h(x), en donde h es alguna función que debe especificarse
Es necesario verificar que la ecuación x = g(x) se satisface con la raíz r de la ecuación f(x) = 0
g(r) = r - f(r) h(r) = r ⇒ g(r) = r
Se deriva g(x) y se evalúa en r
g’(x) = 1 - f’(x) h(x) - f(x) h’(x)
g’(r) = 1 - f’(r) h(r) - f(r) h’(r) = 1 - f’(r) h(r)
Para que la convergencia sea cuadrática se necesita que g’(r) = 0
g’(r) = 0 ⇒ 0 = 1 - f’(r) h(r) ⇒ h(r) = 1/f’(r) ⇒ h(x) = 1/f’(x), f'(x)≠0
Con lo que se puede especificar h(x) para que la convergencia sea cuadrática.
Al sustituir en la fórmula propuesta se obtiene x = g(x) = x - f(x)/f’(x), y se puede escribir la
fórmula iterativa de Newton:
Definición: Fórmula iterativa de Newton
f(xi )
xi+ 1 = f '(xi ) ≠ 0 , i = 0, 1, 2, . . .
xi − ,
f '(xi )

41. 35
3.3.2 Algoritmo del método de Newton
Para calcular una raíz r real de la ecuación f(x) = 0 con precisión E se usa la fórmula iterativa
f(xi )
xi+ 1 =, f '(xi ) ≠ 0 y se genera una sucesión de valores xi esperando que tienda a un
xi −
f '(xi )
valor que satisfaga la ecuación.
1) Elegir el valor inicial x0
2) Generar la sucesión de valores con la fórmula iterativa:
f(xi )
xi+ 1 = , f '(xi ) ≠ 0 , i = 0, 1, 2, 3, ...
xi −
f '(xi )
3) Si el método converge, la sucesión xi tenderá hacia un valor fijo que satisface la
ecuación f(x) = 0
Ejemplo. Calcule una raíz real de f(x) = ex - πx = 0 con la fórmula de Newton
Suponer el valor inicial: x0 = 0.5
f(x 0 ) e x0 − πx 0 e0.5 − 0.5 π
x1 =−
x0 =− x
x0 =−
0.5 =
0.5522
f '(x 0 ) e 0 −π e0.5 − π
f(x1 ) e x1 − πx1 e0.5522 − 0.5522π
x 2 =−
x1 =− x
x1 =
0.5522 − =
0.5538
f '(x1 ) e 1 −π e0.5522 − π
f(x 2 ) e x2 − πx 2 e0.5538 − 0.5538π
x 3 =−
x2 =− x
x2 =
0.5538 − =0.5538
f '(x 2 ) e 2 −π e0.5538 − π
En los resultados se observa la rápida convergencia. En la tercera iteración el resultado tiene
cuatro decimales que no cambian.
3.3.3 Interpretación gráfica del método de Newton
Suponer que f es como se muestra en el siguiente gráfico y x0 es el valor inicial:
Seguimos el siguiente procedimiento:
Calcular f(x0)
Trazar una tangente a f en el punto (x0, f(x0)) hasta intersecar al eje horizontal
El punto obtenido es x1
Entonces tan(α0) = f’(x0) = f(x0)/(x0 – x1) de donde se obtiene x1 = x0 – f(x0)/f’(x0)
Calcular f(x1)
Trazar una tangente a f en el punto (x1, f(x1)) hasta intersecar al eje horizontal:
El punto obtenido es x2
Entonces tan(α1) = f’(x1) = f(x1)/(x1 – x2) de donde se obtiene x2 = x1 – f(x1)/f’(x1)

42. 36
Con estos dos resultados se puede generalizar:
tan(αi) = f’(xi) = f(xi)/(xi – xi+1) de donde se obtiene xi+1 = xi – f(xi)/f’(xi). Es la fórmula
de Newton.
Esta interpretación gráfica permite observar que la secuencia de valores calculados con la
fórmula de Newton sigue la trayectoria de las tangentes a f(x). Si hay convergencia, esta
secuencia tiende a la raíz r. En la siguiente sección se analiza la propiedad de convergencia
de éste método.
3.3.4 Convergencia del método de Newton
Se estableció en el método del punto fijo que la ecuación recurrente x=g(x) tiene la siguiente
propiedad de convergencia: | Ei+ 1 |=| g'(z) || Ei | , i = 0, 1, 2, 3, . . . La convergencia se produce
si se cumple que |g’(x)|<1
Para el método de Newton se obtuvo la siguiente ecuación recurrente:
x = g(x) = x - f(x)/f’(x),
f(x)f ''(x)
Entonces, g'(x) = , f(xi ) ≠ 0
[f '(x)]2
Si se supone que en alguna región cercana a r en la cual se incluyen los valores calculados x,
se tiene que f’(x)≠0, y si r es una raíz de f(x)=0, entonces f(r) = 0, y por lo tanto:
f(r)f ''(r)
= = 0
g'(r)
[f '(r)]2
Este resultado ya se estableció, pero demuestra que existe algún intervalo cercano r en el que
|g’(x)|<1 siempre que g sea continua en ese intervalo La fórmula de Newton converge si los
valores calculados se mantienen dentro de este intervalo.
Para obtener el intervalo de convergencia, no es práctico usar la definición anterior pues
involucra resolver una desigualdad complicada. Existen otros procedimientos para demostrar la
convergencia de esta fórmula como se muestra a continuación.
3.3.5 Una condición de convergencia local para el método de Newton
Dada la ecuación f(x)=0. Suponer que f(x), f’(x), f’’(x) son continuas y limitadas en un intervalo
[a, b] que contiene a la raíz r como se muestra en el siguiente gráfico:
Para este caso, f(x) tiene las siguientes propiedades
a) f(x) > 0, x∈(r, b]
b) f’(x) > 0, x∈(r, b]
c) f’’(x) > 0, x∈(r, b]
Partiendo de estas premisas se demuestra que la fórmula de Newton converge para cualquier
valor inicial x0 elegido en el intervalo (r, b].
Demostración
1) Las premisas a) y b) implican que xi+ 1 < xi :
En la fórmula de Newton:
f(xi )
xi+= xi −
1 ⇒ xi + 1 < xi (1)
f '(xi )
El enunciado es válido al suprimir un término positivo pues f(x), f'(x) son positivos

43. 37
2) La premisa c) implica que r < xi+ 1 :
Desarrollamos f(x) con tres términos de la serie de Taylor alrededor de xi
f(r) f(xi ) + (r − xi )f '(xi ) + (r − xi )2 f ''(z) / 2!
=
f(r) > f(xi ) + (r − xi )f '(xi ) ⇒ 0 > f(xi ) + (r − xi )f '(xi ) ⇒ r < xi − f(xi ) / f '(xi ) ⇒ r < xi+ 1 (2)
El enunciado es válido pues el último término que se suprime es positivo, si f''(x) es positivo
Combinando los resultados (1) y (2) se tiene
r < xi+ 1 < xi , i = 0, 1, 2,...
Este resultado define una sucesión numérica decreciente que tiende a r y prueba la
convergencia de la fórmula iterativa de Newton: xi → r
i→∞
Si se dispone del gráfico de f es fácil reconocer visualmente si se cumplen las condiciones a),
b) y c) como el caso anterior y se puede definir un intervalo para la convergencia del método.
Si f tiene otra forma, igualmente se pueden enunciar y demostrar las condiciones para que se
produzca la convergencia en cada caso.
Ejemplo. Determine la convergencia del método de Newton si f tuviese la siguiente forma
Su geometría se puede describir con:
a) f(x)>0, x∈[a, r)
b) f’(x)<0, x∈[a, r)
c) f’’(x)>0, x∈[a, r)
Con un desarrollo similar al anterior, se puede probar que el método converge para cualquier
valor inicial x0 elegido en el intervalo [a, r), (a la izquierda de la raíz r).
El uso de esta propiedad es simple si se dispone de un gráfico de la ecuación. Se elige como
intervalo de convergencia aquella región en la que se observa que la trayectoria de las
tangentes produce la convergencia a la raíz. Si se elije un valor inicial arbitrario no se puede
asegurar que el método converge.

44. 38
Ejemplo.- Si un círculo de radio a rueda en el plano a lo largo del eje horizontal, un punto P
de la circunferencia trazará una curva denominada cicloide. Esta curva puede expresarse
mediante las siguientes ecuaciones paramétricas
x(t) = a(t – sen t), y(t) = a(1 – cos t)
Suponga que el radio es 1 metro, si (x, y) se miden en metros y t representa tiempo en
segundos, determine el primer instante en el que la magnitud de la velocidad es 0.5 m/s. Use
el método de Newton, E=0.0001
Gráfico de la cicloide
Su trayectoria:
u(t) = (x(t), y(t)) = (t – sen t, 1 – cos t)
Su velocidad:
u’(t) = (1 – cos t, sen t)
Magnitud de la velocidad:
u'(t) = − cos t)2 + (sent)2
(1
Gráfico de la magnitud de la velocidad
Dato especificado:
(1 − cos t)2 + (sent)2 = 0.5 ⇒ f(t) = (1 – cost)2 + (sent)2 – 0.25 = 0
Método de Newton
f(ti ) (1 − cos ti )2 + (senti )2 − 0.25
ti+ 1 =
ti − =
ti − (fórmula iterativa)
f '(ti ) 2(1 − cos ti )(senti ) + 2(senti )(cos ti )
t0 = 0.5 (del gráfico)
t1 = ... = 0.505386 (iteraciones)
t2 = ... = 0.505360
t3 = ... = 0.505360

45. 39
3.3.6 Práctica computacional
En esta sección se describe el uso de MATLAB para usar el método de Newton. Se lo hará
directamente en la ventana de comandos.
Para calcular una raíz debe elegirse un valor inicial cercano a la respuesta esperada de
acuerdo a la propiedad de convergencia estudiada para este método.
Para realizar los cálculos se usa la fórmula de Newton en notación algorítmica:
f(xi )
xi+= xi −
1 , i=0, 1, 2, 3, …
f '(xi )
x0 es el valor inicial
x1, x2, x3, … son los valores calculados
En los lenguajes computacionales como MATLAB no se requieren índices para indicar que el
valor de una variable a la izquierda es el resultado de la evaluación de una expresión a la
derecha con un valor anterior de la misma variable.
La ecuación se puede definir como una cadena de caracteres entre comillas simples. La
derivada se obtiene con la función diff de MATLAB y con la función eval se evalúan las
expresiones matemáticas. Opcionalmente se puede usar el tipo syms para definir variables
simbólicas o la función sym para operar algebraicamente con expresiones matemáticas
definidas en formato texto.
Forma computacional de la fórmula de Newton en MATLAB:
x=x-eval(f)/eval(diff(f))
Presionando repetidamente la tecla del cursor ↑ se obtienen resultados sucesivos. La
convergencia o divergencia se puede observar directamente en los resultados.
Ejemplo. Calcule con MATLAB las raíces reales de f(x) = ex - πx = 0 con la fórmula de Newton.
Es conveniente graficar la ecuación mediante los siguientes comandos de MATLAB. También
se puede editar el dibujo directamente en la ventana de graficación:
>> syms x
>> f=exp(x)-pi*x;
>> ezplot(f,[0,2]),grid on
A continuación se utliza la fórmula de Newton en MATLAB eligiendo del gráfico un valor inicial.
Reutilizando este comando se obtiene una secuencia de aproximaciones:

46. 40
>> format long
>> x=0.5;
>> x=x-eval(f)/eval(diff(f))
x=
0.552198029112459
>> x=x-eval(f)/eval(diff(f))
x=
0.553825394773978
>> x=x-eval(f)/eval(diff(f))
x=
0.553827036642841
>> x=x-eval(f)/eval(diff(f))
x=
0.553827036644514
>> x=x-eval(f)/eval(diff(f))
x=
0.553827036644514
El último resultado tiene quince decimales fijos.
Se puede observar la rapidez con la que el método se acerca a la respuesta duplicando
aproximadamente, la precisión en cada iteración. Esto concuerda con la propiedad de
convergencia cuadrática.
Finalmente, es necesario verificar que este resultado satisface a la ecuación:
>> eval(f)
ans =
0
Ejemplo. Se propone el siguiente modelo para describir la demanda de un producto, en donde
x es tiempo en meses:
d(x) = 20x e −0.075x
Encuentre el valor de x para el cual la demanda alcanza el valor de 80 unidades. Use el
método de Newton para los cálculos. Elija el valor inicial del gráfico y muestre los valores
intermedios.
La ecuación a resolver es: f(x) 20x e −0.075x − 80 0
= =
>> syms x
>> f=20*x*exp(-0.075*x)-80;
(20 x)/exp((3 x)/40) - 80
>> ezplot(f,[0,50]),grid on
>> x=5; 20
>> x=x-eval(f)/eval(diff(f))
x= 0
6.311945053556490
-20
>> x=x-eval(f)/eval(diff(f))
x=
-40
6.520455024943885
>> x=x-eval(f)/eval(diff(f))
-60
x=
6.525360358429755 -80
>> x=x-eval(f)/eval(diff(f))
0 10 20 30 40 50
x= x
6.525363029068742
>> x=x-eval(f)/eval(diff(f))
x=
6.525363029069534
>> x=x-eval(f)/eval(diff(f))
x=
6.525363029069534

47. 41
Ejemplo. Una partícula se mueve en el plano X-Y de acuerdo con las ecuaciones paramétricas
siguientes, donde t es tiempo, entre 0 y 1:
x(t)=t*exp(t)
y(t)=1+t*exp(2t)
Con la fórmula de Newton calcule el tiempo en el que la partícula está más cerca del punto
(1,1)
Distancia de un punto (x, y) al punto (1, 1) : =
d (x(t) − 1)2 + (y(t) − 1)2
Para encontrar la menor distancia, debe resolverse la ecuación: f(t) = d’(t) = 0
>> t=[0:0.01:1]; Puntos para evaluar las ecuaciones paramétricas
>> x=t.*exp(t);
>> y=1+t.*exp(2*t);
>> plot(x,y) Gráfico del recorrido
9
8
7
6
5
4
3
2
1
0
0 0.5 1 1.5 2 2.5 3
>> syms t
>> x=t*exp(t);
>> y=1+t*exp(2*t);
>> d=sqrt((x-1)^2+(y-1)^2) (para operar algebraicamente)
d=
(t^2*exp(4*t) + (t*exp(t) - 1)^2)^(1/2)
>> f=diff(d);
>> t=0.5;
>> t=t-eval(f)/eval(diff(f))
t=
0.278246639067713
>> t=t-eval(f)/eval(diff(f))
t=
0.258310527656699
>> t=t-eval(f)/eval(diff(f))
t=
0.256777599742604
>> t=t-eval(f)/eval(diff(f))
t=
0.256768238259669
>> t=t-eval(f)/eval(diff(f))
t=
0.256768237910400
>> t=t-eval(f)/eval(diff(f))
t=
0.256768237910400 (tiempo para la menor distancia)
>> eval(d)
ans =
0.794004939848305 (es la menor distancia)

48. 42
Ejemplo. Encuentre una intersección de las siguientes ecuaciones en coordenadas polares
r=2+cos(3*t)
r=2- et
Ecuación a resolver: f(t) = 2+cos(3*t) – (2-et)
>> t=[-pi:0.01:2*pi]; Puntos para evaluar las ecuaciones
>> r=2+cos(3*t);
>> polar(t,r),hold on
>> r=2- exp(t);
>> polar(t,r) Gráfico en coordenadas polares
90 3
120 60
2
150 30
1
180 0
210 330
240 300
270
>> syms t
>> f=2+cos(3*t)-(2-exp(t));
>> t=-1; (valor inicial)
>> t=t-eval(f)/eval(diff(f))
t=
-0.213748703557153
>> t=t-eval(f)/eval(diff(f))
t=
-0.832049609116596
>> t=t-eval(f)/eval(diff(f))
t=
-0.669680711112045
>> t=t-eval(f)/eval(diff(f))
t=
-0.696790503081824
>> t=t-eval(f)/eval(diff(f))
t=
-0.697328890705191
>> t=t-eval(f)/eval(diff(f))
t=
-0.697329123134159
>> t=t-eval(f)/eval(diff(f))
t=
-0.697329123134202
>> t=t-eval(f)/eval(diff(f))
t=
-0.697329123134202 (ángulo: -39.95…. grados)
>> r=2+cos(3*t)
r=
1.502086605214547 (radio)

49. 43
3.3.7 Instrumentación computacional del método de Newton
Para evitar iterar desde la ventana de comandos, se puede instrumentar una función que reciba
la ecuación a resolver f, la variable independiente v definida como símbolo matemático y el
valor inicial u. Adicionalmente se puede enviar un parámetro e para controlar la precisión
requerida y otro parámetro m para el máximo de iteraciones.
La función entrega la solución calculada u y el número de iteraciones realizadas k. Si el
método no converge en el máximo de iteraciones previsto, u contendrá un valor nulo y el
número de iteraciones k será igual al máximo m.
function [u,k]=newton(f,v,u,e,m)
t=u;
for k=1:m
u=u-subs(f,v,u)/subs(diff(f,v),v,u); %fórmula de Newton
if abs(t-u)<e
return
end
t=u;
end
u=[ ];
k=m;
Ejemplo. Calcule las dos raíces reales de f(x) = ex - πx = 0 con la función newton. Los valores
iniciales son tomados del gráfico.
>> syms x forma alternativa de definir expresiones
>> f=exp(x)-pi*x; matemáticas con el tipo simbólico: syms
>> ezplot(f,[0,2]),grid on (también se pueden escribir con comillas)
exp(x) - π x
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
x
>> [u,k]=newton(f, x, 0.5, 0.000001, 10)
u=
0.553827036644514 Primera raíz
k=
4
>> [u,k]=newton(f, x, 1.6, 0.000001, 10)
u=
1.638528419970363 Segunda raíz
k=
4
Si no es de interés el número de iteraciones, la función puede llamarse con un solo parámetro
>> u=newton(f, x, 0.5, 0.000001, 10)
u=
0.553827036644514

50. 44
3.3.8 Uso de funciones especiales de MATLAB
MATLAB dispone de funciones especiales para calcular raíces de ecuaciones no lineales.
La función fzero
Es equivalente a usar los métodos de la bisección y de Newton
Ejemplo. Resuelva la ecuación f(x) = ex - πx = 0 usando fzero
>> f='exp(x)-pi*x';
>> r=fzero(f, [0.4, 0.8]) (Para usar como el método de la bisección
r= se especifica el intervalo que contiene a la raíz)
0.55382703664451
>> f='exp(x)-pi*x';
>> r=fzero(f, 0.4) (Para usar como el método de Newton
r= se especifica un valor cercano a la raíz)
0.553827036644514
>> r=fzero(f, 1.6)
r=
1.638528419970363
La función solve
Se usa resolver ecuaciones en forma simbólica exacta. En algunos casos la solución queda
expresada mediante símbolos predefinidos en MATLAB. Con la función eval se convierten las
soluciones al formato numérico decimal. Esta función no siempre entrega todas las soluciones
de una ecuación.
Ejemplo. Resuelva la ecuación f(x) = ex - πx = 0 usando solve
>> f='exp(x)-pi*x';
>> r=eval(solve(f))
r=
0.553827036644514 (Raíz real en forma numérica decimal)
La función roots
Sirve para calcular todas las raíces de ecuaciones polinómicas. Los coeficientes del
polinomio deben almacenarse en un vector.
Ejemplo. Encuentre todas las raíces del polinomio 2x3 - 5x2 - 4x - 7 = 0 usando roots
>> a=[2, -5, -4, -7]; (Coeficientes del polinomio)
>> r=roots(a)
r=
3.39334562071304 (Una raíz real y dos raíces complejas)
-0.44667281035652 + 0.91209311493838i
-0.44667281035652 - 0.91209311493838i

51. 45
3.4 Ejercicios y problemas de ecuaciones no-lineales
1. El producto de dos números reales positivos es 5. Mientras que al sumar el cubo del primero
más el cuadrado del segundo se obtiene 40. Encuentre estos dos números.
2. El producto de las edades en años de dos personas es 677.35 y si se suman los cubos de
ambas edades se obtiene 36594.38 Encuentre cuales son estas edades.
3. Una empresa produce semanalmente una cantidad de artículos. El costo de producción
semanal tiene un costo fijo de 250 y un coso de 2.50 por cada artículo producido. El ingreso
semanal por venta tiene un valor de 3.50 por cada artículo vendido, más un costo de
oportunidad que se ha estimado directamente proporcional a la cantidad de artículos producidos,
multiplicado por el logaritmo natural. Encuentre el punto de equilibrio para este modelo
económico.
4. En una empresa de fertilizantes en cada mes, el ingreso por ventas en miles de dólares se
describe con el modelo v(x) = 0.4x (30 - x) mientras que el costo de producción en miles de
dólares es c(x) = 5 + 10 ln(x), siendo x la cantidad producida en toneladas, 1<x<30. ¿Que
cantidad mensual debe producir para obtener el máximo beneficio económico?
5. El costo semanal fijo por uso de un local para venta de cierto tipo de artículo es $50. Producir
cada Kg. del artículo cuesta $2.5. El ingreso por venta es 3x + 2 ln(x) en donde x representa la
cantidad de kg vendidos en cada semana. Determine la cantidad de Kg. que se debe vender
semanalmente a partir de la cual la empresa obtiene ganancias.
6. En una planta de abastecimiento de combustible se tiene un tanque de forma esférica. El
volumen del líquido almacenado en el tanque se puede calcular mediante la siguiente fórmula:
v(h) =(R − h / 3) ,donde h representa la altura del líquido dentro del tanque medida desde la
πh2
parte inferior del tanque y R su radio (0 ≤ h ≤ 2R). Suponga que el tanque tiene un radio de 2 m.
Calcule la altura que debe tener el líquido para que el tanque contenga 27 m3. Calcule el
resultado con una tolerancia E=10−4.
7. Encuentre el punto de la curva dada por y = 5 − 3xe − x − 10 ubicado en el tercer cuadrante,
2x
donde su recta tangente sea paralela al eje X.
8. Determine la raíz real de la ecuación: sin(x) = ln(x)
9. Determine la segunda raíz real positiva, con 4 decimales exactos de la ecuación:
5 cos(πx) = tan(πx)
10. Calcule una raíz real positiva de la ecuación sin(πx) + 1 = x.
.
11. Para que f sea una función de probabilidad se tiene que cumplir que su integral en el dominio
de f debe tener un valor igual a 1. Encuentre el valor de b para que la función f(x)=2x2 + x sea
una función de probabilidad en el dominio [0, b].
12. Calcule con cuatro decimales exactos la intersección de la ecuación (y – 1)2 + x3 = 6, con la
recta que incluye a los puntos (-1, -1), (1, 1) en el plano.
13. Encuentre una fórmula iterativa de convergencia cuadrática y defina un intervalo de
convergencia apropiado para calcular la raíz real n-ésima de un número real. El algoritmo
solamente debe incluir operaciones aritméticas elementales.

52. 46
14. Un ingeniero desea tener una cantidad de dólares acumulada en su cuenta de ahorros para
su retiro luego de una cantidad de años de trabajo. Para este objetivo planea depositar un valor
mensualmente. Suponga que el banco acumula el capital mensualmente mediante la siguiente
fórmula:
 (1 + x)n − 1
A = P  , en donde
 x 
A: Valor acumulado
P: Valor de cada depósito mensual
n: Cantidad de depósitos mensuales
x: Tasa de interés mensual
Determine la tasa de interés anual que debe pagarle el banco si desea reunir 200000 en 25 años
depositando cuotas mensuales de 350
15. Una empresa compra una máquina en 20000 dólares pagando 5000 dólares cada año
durante los próximos 5 años. La siguiente fórmula relaciona el costo de la máquina P, el pago
x(1 + x)n
anual A, el número de años n y el interés anual x: A =P
(1 + x)n − 1
Determine la tasa de interés anual x que se debe pagar.
16. Una empresa vende un vehículo en P=$34000 con una entrada de E=$7000 y pagos
mensuales de M=$800 durante cinco años. Determine el interés mensual x que la empresa está
cobrando. Use la siguiente fórmula:
M 1
P =+ [1 −
E ] , en donde n es el número total de pagos mensuales
x (1 + x)n
17. Un modelo de crecimiento poblacional está dado por: f(t) = 5t + 2e0.1t, en donde n es el
número de habitantes, t es tiempo en años.
a) Calcule el número de habitantes que habrán en el año 25
b) Encuentre el tiempo para el cual la población es 200
18. Un modelo de crecimiento poblacional está dado por. f(x) = kx + 2e0.1x, siendo k una
constante que debe determinarse y x tiempo en años. Se conoce que f(10)=50.
a) Determine la población en el año 25
b) Determine el año en el que la población alcanzará el valor 1000.
19. Un modelo de crecimiento poblacional está dado por f(t) = k1 t + k2 e0.1t
Siendo k1 y k2 constantes, y t tiempo en años.
Se conoce que f(10)=25, f(20)=650.
a) Determine la población en el año 25
b) Determine el año en el que la población alcanzará el valor 5000.
20. La concentración de bacterias contaminantes c en un lago decrece de acuerdo con la
−1.5t −0.075t
=
relación: c 70e + 25e .
Se necesita determinar el tiempo para que la concentración de bacterias se reduzca a 15
unidades o menos.
a) Determine un intervalo de existencia de la raíz de la ecuación. Use un gráfico
b) Aproxime la raíz indicando la cota del error.

53. 47
21. En un modelo de probabilidad se usa la siguiente fórmula para calcular la probabilidad f(k)
que en el intento número k se obtenga el primer resultado favorable:
f(k) = p(1-p)k-1 ,0≤p≤1, k=0, 1, 2, 3, ….
a) Si en una prueba se obtuvo que f(5) = 0.0733, encuentre cuales son los dos posibles valores
de p posibles en la fórmula.
b) Con el menor valor obtenido para p encuentre el menor valor de k para el que f(k)<0.1
22. Para simular la trayectoria de un cohete se usará el siguiente modelo:
y(t) =6 + 2.13t 2 − 0.0013t 4
En donde y es la altura alcanzada, en metros y t es tiempo en segundos. El cohete está
colocado verticalmente sobre la tierra.
a) Encuentre el tiempo de vuelo.
b) Encuentre la altura máxima del recorrido.
23. El movimiento de una partícula en el plano, se encuentra representado por las ecuaciones
paramétricas:
x(t)= 3sen3 (t) − 1; y(t)= 4sen(t) cos(t); t ≥ 0
Donde x, y son las coordenadas de la posición expresadas en cm, t se expresa en seg.
a) Demuestre que existe un instante t ∈ [0, π / 2] tal que sus coordenadas x e y coinciden.
b) Aproxime con una precisión de 10−5 en qué instante de tiempo las dos coordenadas serán
iguales en el intervalo dado en a).
24. Los polinomios de Chebyshev Tn(x) son utilizados en algunos métodos numéricos. Estos
polinomios están definidos recursivamente por la siguiente formulación:
To(x) = 1, T1(x) = x
Tn(x) = 2.x.Tn-1(x)-Tn-2(x), n= 0, 1, 2, 3, …
Calcule todas las raíces reales positivas de T7(x).
25. La posición del ángulo central θ en el día t de la luna alrededor de un planeta si su período
de revolución es P días y su excentricidad es e, se describe con la ecuación de Kepler:
2π t - P θ + P e sen θ = 0
Encuentre la posición de la luna (ángulo central) en el día 30, sabiendo que el período de
revolución es 100 días y la excentricidad 0.5.
26. Una partícula se mueve en el plano XY (la escala está en metros) con una trayectoria
( )
descrita por la función u(t) = (x(t), y(t)) = 2t e t + 4 t , 2t 3 , t∈[0,1], t medido en horas.
a) Grafique la trayectoria u(t)
b) Encuentre la posición de la partícula cuando x=3.
c) En que el instante la partícula se encuentra a una distancia de 4 metros del origen.
27. La siguiente ecuación relaciona el factor de fricción f y el número de Reynolds Re para flujo
turbulento que circula en un tubo liso: 1/f = – 0.4 + 1.74 ln(Re f)
Calcule el valor de f para Re = 20000

54. 48
28. En una región se instalan 100 personas y su tasa de crecimiento es e0.2x, en donde x es
tiempo en años. La cantidad inicial de recursos disponibles abastece a 120 personas. El
incremento de recursos disponibles puede abastecer a una tasa de 10x personas, en donde x es
tiempo en años. Se desea conocer cuando los recursos no serán suficientes para abastecer a
toda la población. Calcule la solución con cuatro dígitos de precisión y determine el año, mes y
día en que se producirá este evento.
29. Suponga que el precio de un producto f(x) depende del tiempo x en el que se lo ofrece al
mercado con la siguiente relación f(x) = 25x exp(-0.1x), 0 ≤x≤12, en donde x es tiempo en
meses. Se desea determinar el día en el que el precio sube a 80.
a) Evalúe f con x en meses hasta que localice una raíz real (cambio de signo) y trace la forma
aproximada de f(x)
-4
b) Calcule la respuesta (mes) con E=10 . Exprese esta respuesta en días (1mes = 30 días)
c) Encuentre el día en el cual el precio será máximo. E=10-4
30. Una partícula sigue una trayectoria elíptica centrada en el origen (eje mayor 4 y eje menor 3)
comenzando en el punto más alto, y otra partícula sigue una trayectoria parabólica ascendente
hacia la derecha comenzando en el origen (distancia focal 5). El recorrido se inicia en el mismo
instante.
a) Encuentre el punto de intersección de las trayectorias.
b) Si la primera partícula tiene velocidad uniforme y pasa por el punto más alto cada minuto,
determine el instante en el cual debe lanzarse la segunda partícula con aceleración 10 m/s2 para
que intercepte a la primera partícula.
31. La velocidad V de un paracaidista está dada por la fórmula:
ct
gx −
=V (1 − e x
)
c
2
En donde g=9.81 m/s (gravedad terrestre, c=14 kg/s (coeficiente de arrastre)
t: tiempo en segundos, x: masa del paracaidista en kg.
Cuando transcurrieron 7 segundos se detectó que la velocidad es 35 m/s. Determine la masa del
paracaidista. E=0.001
32. Se desea dividir un pastel circular de 35 cm. de diámetro, mediante dos cortes paralelos, de
tal manera que las tres porciones obtenidas tengan igual cantidad. Formule el modelo
matemático (una ecuación no lineal con una incógnita: altura de la perpendicular del centro a
cada línea de corte) y obtenga el ancho de cada uno de los tres cortes.
33. Una esfera de densidad 0.4 y radio 5 flota parcialmente sumergida en el agua. Encuentre la
profundidad h que se encuentra sumergida la esfera.
Nota: requiere conocer la densidad del agua y el volumen de un segmento esférico.

55. 49
3.5 Raíces reales de sistemas de ecuaciones no-lineales
En general este es un problema difícil, por lo que conviene intentar reducir el número de
ecuaciones y en caso de llegar a una ecuación, poder aplicar alguno de los métodos conocidos.
Si no es posible reducir el sistema, entonces se intenta resolverlo con métodos especiales para
sistemas de ecuaciones no-lineales.
Debido a que el estudio de la convergencia de estos métodos es complicado, se prefiere utilizar
algún método eficiente, de tal manera que numéricamente pueda determinarse la convergencia o
divergencia con los resultados obtenidos.
Una buena estrategia consiste en extender el método de Newton, cuya convergencia es de
segundo orden, al caso de sistemas de ecuaciones no lineales. En esta sección se describe la
fórmula para resolver un sistema de n ecuaciones no lineales y se la aplica a la solución de un
sistema de dos ecuaciones. Al final de este capítulo se propone una demostración más formal de
esta fórmula.
3.5.1 Fórmula iterativa de segundo orden para calcular raíces reales de sistemas de
ecuaciones no-lineales
Sean F: f1, f2, …, fn sistema de ecuaciones no lineales con variables X: x1, x2, …, xn. Se
requiere calcular un vector real que satisfaga al sistema F
En el caso de que F contenga una sola ecuación f con una variable x, la conocida fórmula
iterativa de Newton puede escribirse de la siguiente manera:
df (k) −1 (k)
x (k + 1) x (k) − (
= ) f , k=0, 1, 2, … (iteraciones)
dx
Si F contiene n ecuaciones, la fórmula se puede extender, siempre que las derivadas existan:
∂F(k) −1 (k)
X (k + 1) =
X (k) − ( ) F = (k) )−1F(k)
X (k) − (J
∂X
En donde:
 ∂f1(k) ∂f1(k) ∂f1(k) 
 ... 
x (k + 1)
 x 
(k)
f 
(k)  ∂x 1 ∂x 2 ∂x n 

1
 
1
  
1  ∂f (k) ∂f2(k) ∂f2(k) 
x(k + 1) (k) (k)
 , X (k) =  x  , F(k) =  f  , J(k)  2 ... 
X (k + 1) = 2 2 2
=  ∂x 1 ∂x 2 ∂x n 
 ...   ...   ... 
 (k + 1)   (k)   (k)   ... ... ... ... 
 xn 
   xn 
   fn 
   
 ∂fn(k)
∂fn
(k)
∂fn 
(k)
 ... 
 ∂x 1 ∂x 2 ∂x n 
J es la matriz jacobiana
Esta ecuación de recurrencia se puede usar iterativamente con k=0, 1, 2, … partiendo de un
vector inicial X (0) generando vectores de aproximación: X (1) , X (2) , X (3) , …
3.5.2 Convergencia del método de Newton para sistemas de ecuaciones no lineales
En forma general la convergencia de este método para sistemas no lineales requiere que:
a) f1, f2, … fn así como sus derivadas sean continuas en la región de aplicación.
b) El determinante del Jacobiano no se anule en esta región
c) El valor inicial y los valores calculados pertenezcan a esta región, la cual incluye a la raíz
que se intenta calcular

56. 50
3.5.3 Algoritmo del método de Newton para sistemas de ecuaciones no lineales
Dado un sistema de ecuaciones F = 0, sea J su matriz Jacobiana. El siguiente algoritmo genera
una sucesión de vectores que se espera tienda al vector solución:
1) Elegir el vector inicial X(0)
2) Generar la sucesión de vectores con la fórmula iterativa:
X (k + 1) X (k) − (J(k) )−1F(k) , k=0, 1, 2, …
=
3) Si el método converge, la sucesión de vectores X(k) tenderá hacia un vector que
satisface al sistema de ecuaciones F = 0
Ejemplo. Encuentre las raíces reales del sistema:
f1 (x, y) = (x − 2)2 + (y − 1)2 + xy − 3 = 0
f 2 (x,= xe x + y + y − 3 0
y) =
En el caso de dos ecuaciones con dos variables, sus gráficos pueden visualizarse en el plano.
Las raíces reales son las intersecciones.
La siguiente figura obtenidap(con MATLAB muestra el gráfico de las dos ecuaciones.
y e y) 3 0
4
3
2
1
y
0
-1
-2
0 0.5 1 1.5 2 2.5 3 3.5 4
x
El gráfico se obtuvo con los siguientes comandos de MATLAB y el editor de gráficos:
>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> ezplot(f1,[0,4,-2,4]),grid on,hold on
>> ezplot(f2,[0,4,-2,4])
No es posible reducir el sistema a una ecuación, por lo que se debe utilizar un método para
resolverlo simultáneamente con la fórmula propuesta:
Obtención de la solución con el método de Newton (sistema de dos ecuaciones no lineales)
f1 (x, y) = (x − 2)2 + (y − 1)2 + xy − 3 = 0
f 2 (x,= xe x + y + y − 3 0
y) =
 x (0)  0.5 
Comenzar con el vector inicial = = 
X (0) (0)   tomado del gráfico
y  1.0 

57. 51
Matriz jacobiana y vectores:
 ∂f1 ∂f1 
 ∂x ∂y   2x + y − 4 x + 2y − 2 
= =  x + y
J  
 ∂f2 ∂f2   e (1 + x) xe x + y + 1 
 ∂x ∂y 
 
x  f1  (x − 2)2 + (y − 1)2 + xy − 3 
X =   ,= = 
F  
 y  f2   xe x + y + y − 3 
Ecuación de recurrencia
X (k + 1) X (k) − (J(k) )−1F(k)
=
Primera iteración: k=0
X (1) X (0) − (J(0) )−1F(0)
=
−1
 x (1)  0.5   2(0.5) + 1 − 4 0.5 + 2(1) − 2  (0.5 − 2)2 + (1 − 1)2 + 0.5(1) − 3 
=   −  0.5 + 1
(1)   
 y  1.0   e (1 + 0.5) 0.5e 0.5 + 1 + 1  
 0.5e0.5 + 1 + 1 − 3 
−1
 x (1)  0.5   −2 0.5   −0.25 
=   − 
(1)    
 y  1.0  6.7225 3.2408  0.2408 
 x (1)  0.5   −0.3293 0.0508   −0.25  0.4055 
 (1)  =  
 − = 
 y  1.0   0.6830 0.2032  0.2408  1.1218 
3.5.4 Práctica computacional
Obtención de las raíces de las ecuaciones para el ejemplo anterior calculando directamente en la
ventana de comandos de MATLAB mediante la ecuación de recurrencia:
X (k + 1) X (k) − (J(k) )−1F(k)
=
>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> J=[diff(f1,x) diff(f1,y); diff(f2,x) diff(f2,y)]
J=
[ 2*x + y - 4, x + 2*y - 2]
[ exp(x + y) + x*exp(x + y), x*exp(x + y) + 1]
>> F=[f1; f2];
>> X=[x;y];
>> x=0.5; y=1;
>> X=eval(X) Valores iniciales
X=
0.500000000000000
1.000000000000000

58. 52
>> X=X-inv(eval(J))*eval(F) Primera iteración
X=
0.405451836483295
1.121807345933181
>> x=X(1); y=X(2);
>> X=X-inv(eval(J))*eval(F) Segunda iteración
X=
0.409618877363502
1.116191209478471
>> x=X(1); y=X(2);
>> X=X-inv(eval(J))*eval(F)
X=
0.409627787030011
1.116180137991844
>> x=X(1); y=X(2);
>> X=X-inv(eval(J))*eval(F)
X=
0.409627787064807
1.116180137942813
>> x=X(1); y=X(2);
>> X=X-inv(eval(J))*eval(F)
X=
0.409627787064807
1.116180137942814
>> eval(f1) Verificar la solución
ans =
-4.440892098500626e-016
>> eval(f2)
ans =
4.440892098500626e-016
3.5.5 Instrumentación computacional del método de Newton para un sistema de n
ecuaciones no-lineales.
Sea F: f1, f2, …, fn ecuaciones con variables independientes X: x1, x2, …, xn.
Ecuación de recurrencia:
X (k + 1) X (k) − (J(k) )−1F(k) , k=0, 1, 2, …
=
En donde J es la matriz jacobiana del sistema
Entrada
f: Vector con las ecuaciones
v: Vector con las variables independientes
u: Vector con valores iniciales para las variables
Salida
u: Vector con los nuevos valores calculados para las variables
Nota: La convergencia será controlada interactivamente reusando la función esde la ventana
de comandos. Por las propiedades de este método, la convergencia o divergencia será muy
rápida.

59. 53
Alternativamente, se puede incorporar a la instrumentación un ciclo con un máximo de
iteraciones para que las iteraciones se realicen dentro de la función.
Las derivadas parciales se obtienen con la función diff y la sustitución de los valores de u en las
variables se realiza con la función subs. La solución se la obtiene con la inversa de la matriz de
las derivadas parciales J.
function u = snewton(f, v, u) %Sistemas no lineales
n=length(f);
for i=1:n %Obtención de la matriz jacobiana J
for j=1:n
J(i,j)=diff(f(i),v(j));
end
end
for i=1:n %Sustitución del vector u en J
for j=1:n
for k=1:n
if findstr(char(J(i,j)),char(v(k)))>0
J(i,j)=subs(J(i,j),v(k),u(k));
end
end
end
end
for i=1:n
for j=1:n
f(i)=subs(f(i),v(j),u(j)); %Sustitución del vector u en el vector f
end
end
u=u-inv(eval(J))*eval(f); %Obtención de la nueva aproximación u
Ejemplo. Use la función snewton para encontrar una raíz real del sistema
f1 (x, y) = (x − 2)2 + (y − 1)2 + xy − 3 = 0
f 2 (x,= xe x + y + y − 3 0
y) =
>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> f=[f1; f2];
>> v=[x; y];
>> u=[0.5; 1]; Valores iniciales tomados del gráfico
>> u=snewton(f, v, u)
u=
0.405451836483295
1.121807345933181
>> u=snewton(f, v, u)
u=
0.409618877363502
1.116191209478472
>> u=snewton(f, v, u)
u=
0.409627787030011
1.116180137991845

60. 54
>> u=snewton(f, v, u)
u=
0.409627787064807
1.116180137942814
>> u=snewton(f, v, u)
u=
0.409627787064807
1.116180137942814
Se observa la rápida convergencia.
Para verificar que son raíces reales de las ecuaciones debe evaluarse f
>> subs(f1,{x,y},{u(1),u(2)})
ans =
4.440892098500626e-016
>> subs(f2,{x,y},{u(1),u(2)})
ans =
0
Los valores obtenidos son muy pequeños, por lo cual se aceptan las raíces calculadas
Para calcular la otra raíz, tomamos del gráfico los valores iniciales cercanos a esta raíz.
>> u=[2.4; -1.5];
>> u=snewton(f, v, u)
u=
2.261842718297048
-1.535880731849205
>> u=snewton(f, v, u)
u=
2.221421001369104
-1.512304705819129
>> u=snewton(f, v, u)
u=
2.220410814294533
-1.511478104887419
>> u=snewton(f, v, u)
u=
2.220410327256473
-1.511477608846960
>> u=snewton(f, v, u)
u=
2.220410327256368
-1.511477608846834
>> u=snewton(f, v, u)
u=
2.220410327256368
-1.511477608846835
>> subs(f1,{x,y},{u(1),u(2)}) (Comprobar si es una solución del sistema)
ans =
-8.881784197001252e-016
>> subs(f2,{x,y},{u(1),u(2)})
ans =
8.881784197001252e-016

61. 55
3.5.6 Uso de funciones de MATLAB para resolver sistemas no-lineales
La función solve de MATLAB se puede usar para resolver sistemas no lineales como el ejemplo
anterior:
>> syms x y
>> f1=(x-2)^2 + (y-1)^2+x*y-3;
>> f2=x*exp(x+y)+y-3;
>> f=[f1;f2];
>> [x,y]=solve(f)
x=
0.40962778706480689876647619089358
y=
1.116180137942813562571698234565
El método solve de MATLAB proporciona solamente una de las dos soluciones. Con esto
concluimos que no siempre los programas computacionales disponibles producen todas las
respuestas esperadas.
3.5.7 Obtención de la fórmula iterativa de segundo orden para calcular raíces reales de
sistemas de ecuaciones no lineales
Se considera el caso de dos ecuaciones y luego se generaliza a más ecuaciones
Sean f1(x1, x2) = 0, f2(x1, x2) = 0 dos ecuaciones no-lineales con variables x1, x2.
Sean r1, r2 valores reales tales que f1(r1, r2) = 0, f2(r1, r2) = 0, entonces (r1, r2) constituye una
raíz real del sistema y es de interés calcularla.
Suponer que f1, f2 son funciones diferenciables en alguna región cercana al punto (r1, r2)
Con el desarrollo de la serie de Taylor expandimos f1, f2 desde el punto (x1 , x (k) ) al punto
(k)
2
(x1 + 1) , x (k + 1) )
(k
2
∂f1(k) ∂f (k)
f1(k + 1) = + (x1 + 1) − x1 )
f1(k) (k (k)
+ (x (k + 1) − x (k) ) 1 + O(x1 + 1) − x1 )2 + O(x 2 + 1) − x 2 )2
(k (k) (k (k)
∂x 1 ∂x 2
2 2
∂f2(k) ∂f (k)
f2(k + 1) = + (x1 + 1) − x1 )
f2(k) (k (k)
+ (x (k + 1) − x (k) ) 2 + O(x1 + 1) − x1 )2 + O(x 2 + 1) − x 2 )2
(k (k) (k (k)
∂x 1 ∂x 2
2 2
Por simplicidad se ha usado la notación: f1(k) = f1 (x1 , x (k) ) , f1(k + 1) = f1 (x1 + 1) , x (k + 1) ) , etc.
(k)
2
(k
2
En los últimos términos de ambos desarrollos se han escrito únicamente los componentes de
interés, usando la notación O( ).
Las siguientes suposiciones, son aceptables en una región muy cercana a (r1, r2):

62. 56
(x1 , x (k) ) cercano a la raíz (r1, r2)
(k)
2
Si el método converge cuadráticamente entonces (x1 + 1) , x 2 + 1) ) estará muy cercano a (r1, r2)
(k (k
Por lo tanto se puede aproximar:
f1 (x1 + 1) , x (k + 1) ) ≈ 0
(k
2
f2 (x1 + 1) , x 2 + 1) ) ≈ 0
(k (k
Por otra parte, si (x 1 , x 2 ) es cercano a (x1 + 1) , x 2 + 1) ) , las diferencias serán pequeñas y al
(k) (k) (k (k
elevarse al cuadrado se obtendrán valores más pequeños y se los omite.
Sustituyendo en el desarrollo propuesto se obtiene como aproximación el sistema lineal:
(k + 1) ∂f1(k) (k + 1) (k) ∂f1
(k)
0 = + (x
f (k)
−x ) + (x 2 − x 2 )
(k)
∂x 1 ∂x 2
1 1 1
∂f2(k) ∂f (k)
0 = + (x1 + 1) − x1 )
f2(k) (k (k)
+ (x (k + 1) − x (k) ) 2
∂x 1 ∂x 2
2 2
En notación matricial:
−F(k) J(k) (X (k + 1) − X (k) )
=
Siendo
 ∂f1(k) ∂f1(k) 
 
 f1(k)   x1 
(k)
 x1 + 1) 
(k
∂x 1 ∂x 2 
F (k)
=  (k)  , X (k)
=  (k)  , X (k + 1)
=  (k + 1)  , J(k) =  (k)
 f2   x2   x2   ∂f ∂f2(k) 
 2 
 ∂x 1
 ∂x 2  
J(k) X (k + 1) J(k) X (k) − F(k)
=
X (k + 1) X (k) − (J(k) )−1F(k) ,
= | J(k) |≠ 0
Es la ecuación de recurrencia que se puede usar iterativamente con k=0, 1, 2, … partiendo de
un vector inicial X (0) generando vectores de aproximación: X (1) , X (2) , X (3) , …
La notación matricial y la ecuación de recurrencia se extienden directamente a sistemas de n
ecuaciones no lineales f1, f2, …, fn con variables x1, x2, …, xn. La matriz de las derivadas
parciales J se denomina jacobiano. La ecuación de recurrencia se reduce a la fórmula de
Newton si se tiene una sola ecuación.

63. 57
3.5.8 Ejercicios y problemas de sistemas de ecuaciones no-lineales
1. Encuentre las soluciones del sistema de ecuaciones dado:
sin(x) + ey - xy = 5
x2 + y3 - 3xy = 7
a) Grafique las ecuaciones en el intervalo [-4, 4, -4, 4] y observe que hay dos raíces reales. Elija
del gráfico, valores aproximados para cada raíz.
b) Use iterativamente la función snewton:
c) Compruebe que las soluciones calculadas satisfacen a las ecuaciones
d) Calcule las soluciones con la función solve de MATLAB y compare
2. Encuentre las soluciones del sistema de ecuaciones dado:
cos(x+y) + xy=3
3(x - 2)2 - 2(y - 3)2 = 5xy
a) Grafique las ecuaciones en el intervalo [-6, 6, -6, 6] y observe que hay dos raíces reales. Elija
del gráfico, valores aproximados para cada raíz.
b) Use iterativamente la función snewton:
c) Compruebe que las soluciones calculadas satisfacen a las ecuaciones
d) Calcule las soluciones con la función solve de MATLAB y compare
3. Encuentre las soluciones del sistema de ecuaciones dado:
exp(x+y) + x - y = 3
sen(x+y) - 2x + y = 1
a) Grafique las ecuaciones en el intervalo [-3, 3, -3, 3] y observe que hay una raíz real. Elija del
gráfico, valores aproximados para la raíz.
b) Use iterativamente la función snewton:
c) Compruebe que la solución calculada satisface a las ecuaciones
d) Calcule la solución con la función solve de MATLAB y compare.
4. El siguiente gráfico representa un mecanismo compuesto de dos brazos articulados en los
puntos A y B. Las longitudes de los brazos son 4 y 5. Determine los ángulos X y Y para que el
extremo C coincida con el punto P de coordenadas (6,3).
El modelo matemático es un sistema de dos ecuaciones no lineales que debe resolver con el
método de Newton para sistemas de ecuaciones no lineales (snewton).

64. 58
4 MÉTODOS DIRECTOS PARA RESOLVER SISTEMAS DE
ECUACIONES LINEALES
En este capítulo se estudia el componente algorítmico y computacional de los métodos directos
para resolver sistemas de ecuaciones lineales.
Ejemplo. Un comerciante compra tres productos: A, B, C, pero en las facturas únicamente
consta la cantidad comprada y el valor total de la compra. Se necesita determinar el precio
unitario de cada producto. Para esto dispone de tres facturas con los siguientes datos:
Factura Cantidad de A Cantidad de B Cantidad de C Valor pagado
1 4 2 5 $18.00
2 2 5 8 $27.30
3 2 4 3 $16.20
Análisis
Sean x1,x 2 ,x 3 variables que representan al precio unitario de cada producto. Entonces, se
puede escribir:
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
El modelo matemático resultante es un sistema lineal de tres ecuaciones con tres variables.
En general, se desea resolver un sistema de n ecuaciones lineales con n variables
a1,1x1 + a1,2 x1 + ... + a1,n xn =
b1
a2,1x1 + a2,2 x1 + ... + a2,n xn =b2
...
an,1x1 + an,2 x1 + ... + an,n xn =bn
En donde
ai,j ∈ ℜ : Coeficientes
bi ∈ ℜ : Constantes
xi ∈ ℜ : Variables cuyo valor debe determinarse
En notación matricial:
 a1,1 a1,2 ... a1,n   x1   b1 
a a2,2 ... a2,n   x 2  b2 
 2,1   =  
 ... ...   ...   ... 
    
 an,1
 an,1 ... an,n   xn  bn 

Simbólicamente
AX = B
Siendo
 a1,1 a1,2 ... a1,n   b1   x1 
a a2,2 ... a2,n  b  x 
=  ; B =
2,1 2  2
A = ; X
 ... ...   ...   ... 
     
 an,1
 an,1 ... an,n 
 bn   xn 

65. 59
4.1 Determinantes y sistemas de ecuaciones lineales
Sea A la matriz de coeficientes del sistema AX = B. Sea A-1 su inversa y |A| su determinante.
La relación entre |A| y la existencia de la solución X se establece con la siguiente definición:
[adj(A)]t
A −1 = ,
|A|
t
En donde [adj(A)] es la transpuesta de la adjunta de la matriz A.
Si |A| ≠ 0 , entonces A −1 existe, y se puede escribir:
AX = B ⇒ A −1AX = A −1B ⇒ IX = A −1B ⇒ X = A −1B
En donde I es la matriz identidad. En resumen, si |A| ≠ 0 entonces X existe y además es único.
4.2 Método de Gauss - Jordan
La estrategia de este método consiste en transformar la matriz A del sistema AX = B y reducirla
a la matriz identidad I. Según el enunciado anterior, esto es posible si | A | ≠ 0. Aplicando
simultáneamente las mismas transformaciones al vector B, este se convertirá en el vector
solución A −1B .
En caso de que esta solución exista, el procedimiento debe transformar las ecuaciones mediante
operaciones lineales que no modifiquen la solución del sistema original, estas pueden ser:
a) Intercambiar ecuaciones
b) Multiplicar ecuaciones por alguna constante no nula
c) Sumar alguna ecuación a otra ecuación
Ejemplo. Con el Método de Gauss-Jordan resuelva el siguiente sistema de ecuaciones lineales
correspondiente al problema planteado al inicio del capítulo
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
Solución: Se define la matriz aumentada A | B para transformar simultáneamente A y B:
 4 2 5 18.00 
A | B =  2 5 8 27.30 
 
 2 4 3 16.20 
 
Las transformaciones sucesivas de la matriz aumentada se describen en los siguientes pasos:
Dividir fila 1 para 4
1.0000 0.5000 1.2500 4.5000
2.0000 5.0000 8.0000 27.3000
2.0000 4.0000 3.0000 16.2000

66. 60
Restar de cada fila, la fila 1 multiplicada por el elemento de la columna 1
1.0000 0.5000 1.2500 4.5000
0 4.0000 5.5000 18.3000
0 3.0000 0.5000 7.2000
Dividir fila 2 para 4
1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0 3.0000 0.5000 7.2000
Restar de cada fila, la fila 2 multiplicada por el elemento de la columna 2
1.0000 0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0 0 -3.6250 -6.5250
Dividir fila 3 para -3.625
1.0000 0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0 0 1.0000 1.8000
Restar de cada fila, la fila 3 multiplicada por el elemento de la columna 3
1.0000 0 0 1.2000
0 1.0000 0 2.1000
0 0 1.0000 1.8000
La matriz de los coeficientes ha sido transformada a la matriz identidad.
Simultáneamente, las mismas transformaciones han convertido a la última columna en el vector
solución:
1.2 
X =  2.1
 
 
1.8 
Como antes, la solución debe verificarse en el sistema

67. 61
4.2.1 Práctica computacional
Resolver el ejemplo anterior en la ventana de comandos con la notación matricial
>> a=[4 2 5; 2 5 8; 2 4 3] Definición de la matriz
a=
4 2 5
2 5 8
2 4 3
>> b=[18.0; 27.3; 16.2] Vector de constantes
b=
18.0000
27.3000
16.2000
>> a=[a, b] Matriz aumentada
a=
4.0000 2.0000 5.0000 18.0000
2.0000 5.0000 8.0000 27.3000
2.0000 4.0000 3.0000 16.2000
>> a(1,1:4)=a(1,1:4)/a(1,1) Normalizar fila 1
a=
1.0000 0.5000 1.2500 4.5000
2.0000 5.0000 8.0000 27.3000
2.0000 4.0000 3.0000 16.2000
>> a(2,1:4)=a(2,1:4)-a(2,1)*a(1,1:4) Reducir fila 2
a=
1.0000 0.5000 1.2500 4.5000
0 4.0000 5.5000 18.3000
2.0000 4.0000 3.0000 16.2000
>> a(3,1:4)=a(3,1:4)-a(3,1)*a(1,1:4) Reducir fila 3
a=
1.0000 0.5000 1.2500 4.5000
0 4.0000 5.5000 18.3000
0 3.0000 0.5000 7.2000
>> a(2,2:4)=a(2,2:4)/a(2,2) Normalizar fila 2
a=
1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0 3.0000 0.5000 7.2000
>> a(1,2:4)=a(1,2:4)-a(1,2)*a(2,2:4) Reducir fila 1
a=
1.0000 0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0 3.0000 0.5000 7.2000
>> a(3,2:4)=a(3,2:4)-a(3,2)*a(2,2:4) Reducir fila 3
a=
1.0000 0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0 0 -3.6250 -6.5250
>> a(3,3:4)=a(3,3:4)/a(3,3) Normalizar fila 3
a=
1.0000 0 0.5625 2.2125
0 1.0000 1.3750 4.5750
0 0 1.0000 1.8000

68. 62
>> a(1,3:4)=a(1,3:4)-a(1,3)*a(3,3:4) Reducir fila 1
a=
1.0000 0 0 1.2000
0 1.0000 1.3750 4.5750
0 0 1.0000 1.8000
>> a(2,3:4)=a(2,3:4)-a(2,3)*a(3,3:4) Reducir fila 2
a=
1.0000 0 0 1.2000
0 1.0000 0 2.1000
0 0 1.0000 1.8000
>> x=a(1:3,4) Vector solución
x=
1.2000
2.1000
1.8000
>> a*x Verificar la solución
ans =
18.0000
27.3000
16.2000
4.2.2 Formulación del método de Gauss-Jordan y algoritmo
Para establecer la descripción algorítmica, conviene definir la matriz aumentada A con el vector
B pues deben realizarse simultáneamente las mismas operaciones:
 a1,1 a1,2 ... a1,n a1,n+1 
a 
2,1 a 2,2 ... a 2,n a 2,n+ 1 
A |B = 
 ... ... ... ... ... 
 
 an,1 an,2 ... an,n an,n+ 1 
 
En donde se ha agregado la columna n+1 con el vector de las constantes:
ai,n+1 = bi, i = 1, 2, 3, ..., n (columna n+1 de la matriz aumentada)
El objetivo es transformar esta matriz y llevarla a la forma de la matriz identidad I:
 a1,1 a1,2 ... a1,n a1,n+1  1 0 ... 0 a1,n+ 1 
a  
2,1 a 2,2 ... a2,n a2,n+1  → . . . → 0 1 ... 0 a2,n+ 1 
A |B = 
 ... ... ... ... ...  ... ... ... ... ... 
   
 an,1 an,2
 ... an,n an,n+ 1 
 0 0
 ... 1 an,n+ 1 

Si es posible realizar esta transformación, entonces los valores que quedan en la última columna
constituirán el vector solución X
Las transformaciones deben ser realizadas en forma sistemática en n etapas, obteniendo
sucesivamente en cada etapa, cada columna de la matriz identidad, de izquierda a derecha.
En cada etapa, primero se hará que el elemento en la diagonal tome el valor 1. Luego se hará
que los demás elementos de la columna tomen el valor 0.

69. 63
1 0 ... 0 a1,n+ 1 
 
0 1 ... 0 a2,n+ 1 
... ... ... ... ... 
 
0 0
 ... 1 an,n+ 1 

Etapa 1
Etapa n
Etapa 2
Etapa 1
Normalizar la fila 1: (colocar 1 en el lugar del elemento a 1,1
a1,j ← a1,j / a1,1 j=1, 2, ..., n+1; supones que a1,1 ≠ 0
Reducir las otras filas: (colocar 0 en los otros elementos de la columna 1)
ai,j ← ai,j − ai,1a1,j , j=1, 2, ..., n+1; i=2, 3, ..., n
 a1,1 a1,2 ... a1,n a1,n+ 1   1 a1,2 ... a1,n a1,n+ 1 
   
A |B  a2,1 a2,2 ... a2,n a2,n+ 1 
→
0 a2,2 ... a2,n a2,n+ 1 
 ... ... ...   ... ... ... 
   
 an,1
 an,1 ... an,n an,n+ 1 
  0
 an,1 ... an,n an,n+ 1 

Valores
transformados
Etapa 2
Normalizar la fila 2: (colocar 1 en el lugar del elemento a2,2
a2,j ← a2,j / a2,2 j=2, 3, ..., n+1; a 2,2 ≠ 0
Reducir las otras filas: (colocar 0 en los otros elementos de la columna 2
ai,j ← ai,j − ai,2 a2,j , j=2, 3, ..., n+1; i=1, 3, ..., n
Valores
 1 a1,2 ... a1,n a1,n+ 1   1 0 ... a1,n a1,n+ 1  transformados
   
 0 a2,2 ... a2,n a2,n+1  0 1 ... a2,n a2,n+1 
→
 ... ... ...   ... ... ... 
   

 0 an,1 ... an,n an,n+ 1 
  0
 0 ... an,n an,n+ 1 

La última columna contendrá el vector solución
La formulación obtenida en estas dos etapas se puede generalizar y con ella construir el
algoritmo:

70. 64
ALGORITMO BÁSICO DE GAUSS-JORDAN
a: matriz de coeficientes, aumentada con el vector b del sistema de n ecuaciones lineales
Para e = 1, 2, . . ., n
Para j=e, e+1, ..., n+1
a e,j ← a e,j / a e,e Normalizar la fila e ( a e,e ≠ 0 )
Fin
Para i=1, 2, …, i -1, i +1,… n
Para j=e, e+1, ..., n+1
ai,j ← ai,j − ai,e a e,j Reducir las otras filas
Fin
Fin
Fin
Para i=1,2,...,n
xi ← ai,n+ 1 La última columna contendrá la solución
Fin
4.2.3 Eficiencia del método de Gauss-Jordan
El método de Gauss-Jordan es un método directo. Los métodos directos pueden estar afectados
por el error de redondeo, es decir los errores en la representación de los números que se
producen en las operaciones aritméticas. Para cuantificar la magnitud del error de redondeo se
define la función de eficiencia del método.
Sea n el tamaño del problema y T(n) la cantidad de operaciones aritméticas que se realizan
En la normalización: T(n) = O(n2) (Dos ciclos anidados)
En la reducción: T(n) = O(n3) (Tres ciclos anidados)
Por lo tanto, este método es de tercer orden: T(n) = O(n3)
Mediante un conteo recorriendo los ciclos del algoritmo, se puede determinar la función de
eficiencia para este método directo:
e i j
1 n-1 n+1
2 n-1 n
. . .
. . .
. . .
n-1 n-1 3
n n-1 2
T(n) = (n-1)(2 + 3 + n + (n+1)) = (n-1) (3 + n ) (n/2) = n3/2 + 2n2/2 + 3n/2

71. 65
4.2.4 Instrumentación computacional
En esta primera versión del algoritmo se supondrá que el determinante de la matriz es diferente
de cero y que no se requiere intercambiar filas.
La codificación en MATLAB sigue directamente la formulación matemática descrita
anteriormente. Se usa notación compacta para manejo de matrices
function x=gaussjordan(a,b)
n=length(b);
a=[a,b]; %matriz aumentada
for e=1:n
a(e,e:n+1)=a(e,e:n+1)/a(e,e); %normalizar fila e
for i=1:n
if i~=e
a(i,e:n+1)=a(i,e:n+1)-a(i,e)*a(e,e:n+1); %reducir otras filas
end
end
end
x=a(1:n,n+1); %vector solución
Ejemplo. Desde la ventana de comandos de MATLAB, use la función Gauss-Jordan para
resolver el sistema:
2 3 7   x1   3 
 −2 5    
 6   x2  =
 5 
8 9
 4   x 3  8 
   
Escriba en la ventana de comandos de MATLAB
>> a=[2, 3, 7; -2, 5, 6; 8, 9, 4]; Matriz de coeficientes
>> b=[3; 5; 8]; Vector de constantes
>> x=gaussjordan(a,b) Llamada a la función
x=
-0.0556 Solución proporcionada por MATLAB
0.9150
0.0523
>> a*x Verificar la solución
ans =
3.0000 La solución satisface al sistema
5.0000
8.0000
Cuando se dispone de la instrumentación computacional de un algoritmo, se puede obtener
experimentalmente su eficiencia registrando, para diferentes valores de n, el tiempo de ejecución
del algoritmo. Este tiempo depende de la velocidad del procesador del dispositivo computacional,
pero es proporcional a T(n).
MATLAB dispone de las funciones tic, toc para registrar tiempo de ejecución, mientras que para
las pruebas se pueden generar matrices y vectores con números aleatorios. Se presentan
algunos resultados con obtenidos con un procesador intel core i5 y la versión 7.01 de MATLAB:
n=100, t=0.0781 seg.
n=200, t=0.3859 seg.
n=300, t=1.0336 seg.
n=400, t=2.0758 seg.
Se observa que T(n) tiene crecimiento tipo potencial

72. 66
4.2.5 Obtención de la inversa de una matriz
Para encontrar la matriz inversa se puede usar el método de Gauss-Jordan.
Sea A una matriz cuadrada cuyo determinante es diferente de cero.
Sean t 1 ,t 2 , . . . ,t m−1 ,t m las transformaciones lineales del método de Gauss-Jordan que
transforman la matriz A en la matriz identidad I incluyendo intercambios de filas
t m t m-1 . . . t 2 t 1 A = I
Entonces se puede escribir
t m t m-1 . . . t 2 t 1 A −1 A = A −1 I ⇒ t m t m-1 . . . t 2 t 1 I = A −1
Lo cual significa que las mismas transformaciones que convierten A en la matriz I, convertirán
−1
la matriz I en la matriz A .
−1
Para aplicar este algoritmo, suponiendo que se desea conocer la matriz A , se debe aumentar
la matriz anterior con la matriz I: A | B | I
Las transformaciones aplicadas simultáneamente proporcionarán finalmente el vector solución X
−1
y la matriz identidad A
Ejemplo. Con el Método de Gauss-Jordan resuelva el sistema de ecuaciones siguiente y
simultáneamente obtenga la matriz inversa:
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
Solución. La matriz aumentada es:
4 2 5 18.00 1 0 0
A | B = 2 5 8
 27.30 0 1 1

2 4 3
 16.20 0 0 1

Cálculos
Normalizar fila 1 y reducir filas 2 y 3
1.0000 0.5000 1.2500 4.5000 0.2500 0 0
0 4.0000 5.5000 18.3000 -0.5000 1.0000 0
0 3.0000 0.5000 7.2000 -0.5000 0 1.0000

73. 67
Normalizar fila 2 y reducir filas 1 y 3
1.0000 0 0.5625 2.2125 0.3125 -0.1250 0
0 1.0000 1.3750 4.5750 -0.1250 0.2500 0
0 0 -3.6250 -6.5250 -0.1250 -0.7500 1.0000
Normalizar fila 3 y reducir filas 1 y 2
1.0000 0 0 1.2000 0.2931 -0.2414 0.1552
0 1.0000 0 2.1000 -0.1724 -0.0345 0.3793
0 0 1.0000 1.8000 0.0345 0.2069 -0.2759
Solución del sistema
1.2 
X =  2.1
 
1.8 
 
Matriz inversa
 0.2931 −0.2414 0.1552 
 −0.1724 −0.0345 0.3793 
A −1 =
 
 0.0345
 0.2069 −0.2759 


74. 68
4.3 Método de Gauss
El método de Gauss es similar al método de Gauss-Jordan. Aquí se trata de transformar la
matriz del sistema a una forma triangular superior. Si esto es posible entonces la solución se
puede obtener resolviendo el sistema triangular resultante.
Ejemplo. Con el Método de Gauss resuelva el sistema de ecuaciones lineales del problema
planteado al inicio de este capítulo
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + 8x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
Solución: Se define la matriz aumentada A | B para transformar simultáneamente A y B:
 4 2 5 18.00 
A | B =  2 5 8 27.30 
 
 2 4 3 16.20 
 
Las transformaciones sucesivas de la matriz aumentada se describen en los siguientes cuadros
Dividir fila 1 para 4
1.0000 0.5000 1.2500 4.5000
2.0000 5.0000 8.0000 27.3000
2.0000 4.0000 3.0000 16.2000
Restar de cada fila, la fila 1 multiplicada por el elemento de la columna 1
1.0000 0.5000 1.2500 4.5000
0 4.0000 5.5000 18.3000
0 3.0000 0.5000 7.2000
Dividir fila 2 para 4
1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0 3.0000 0.5000 7.2000
Restar de la fila, la fila 2 multiplicada por el elemento de la columna 2
1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0 0 -3.6250 -6.5250
Dividir fila 3 para -3.625
1.0000 0.5000 1.2500 4.5000
0 1.0000 1.3750 4.5750
0 0 1.0000 1.8000

75. 69
La matriz de los coeficientes ha sido transformada a la forma triangular superior
De este sistema se obtiene la solución mediante una sustitución directa comenzando por el final:
x 3 = 1.8
x 2 = − 1.375(1.8) =
4.575 2.1
x1 = − 0.5(2.1) − 1.25(1.8) =
4.5 1.2
4.3.1 Formulación del método de Gauss y algoritmo
Para unificar la descripción algorítmica, es conveniente aumentar la matriz A con el vector B
pues deben realizarse las mismas operaciones simultáneamente:
 a1,1 a1,2 ... a1,n a1,n+ 1 
 
A |B =  a2,1 a2,2 ... a2,n a2,n+ 1 
 ... ... ... 
 
 an,1 an,1 ... an,n an,n+ 1 
 
En donde la columna de los coeficientes se define:
ai,n+ 1 = bi , i=1, 2, 3,. . ., n
La formulación se obtiene directamente del método de Gauss-Jordan en la que la reducción de
las filas únicamente se realiza en la sub-matriz triangular inferior. Las transformaciones
convierten la matriz aumentada en la forma triangular superior:
 a1,1 a1,2 ... a1,n a1,n+ 1   1 a1,2 ... a1,n a1,n+ 1 
   
a2,1 a2,2 ... a2,n a2,n+ 1  0 1 ... a2,n a2,n+ 1 
= 
A |B →. . . .→ 
 ... ... ...   ... ... ... 
   
 an,1
 an,1 ... an,n an,n+ 1 
 
 0 0 ... 1 an,n+ 1 
De sistema triangular se puede obtener directamente la solución. Para facilitar la notación
expandimos la forma triangular final obtenida:
 1 a1,2 ... a1,n− 2 a1,n−1 a1,n a1,n+ 1 
 a2,n+ 1 
0 1 ... a2,n− 2 a2,n−1 a2,n 
... ... ... ... ... ... 
 
0 0 ... 1 an− 2,n−1 an− 2,n an− 2,n+ 1 
0 0 ... 0 1 an−1,n an−1,n+ 1 
 
0
 0 ... 0 0 1 an,n+ 1  
La solución se obtiene del sistema triangular superior comenzando desde el final:
xn ← an, n+ 1
xn−1 ← an−1, n+1 − an−1, n xn
xn− 2 ← an− 2, n+ 1 − (an− 2, n−1xn−1 − an− 2, n xn )
. . . etc
Con la formulación del método anterior (Gauss-Jordan) modificando el índice de las filas para
reducir solamente debajo de la diagonal y con la formulación para resolver el sistema triangular
resultante, se define el algoritmo para el método de Gauss:

76. 70
ALGORITMO BÁSICO DE GAUSS
a: matriz de coeficientes, aumentada con el vector b del sistema de n ecuaciones lineales
Para e = 1, 2, . . ., n
Para j=e, e+1, ..., n+1
a e,j ← a e,j / a e,e Normalizar la fila e ( a e,e ≠ 0 )
Fin
Para i=e+1, e+2, … n
Para j=e, e+1, ..., n+1
ai,j ← ai,j − ai,e a e,j Reducir la filas debajo de la fila e
Fin
Fin
Fin
xn ← an, n+ 1 Resolver el sistema triangular superior
Para i=n-1, n-2, ..., 1
s←0
Para j=i+1, i+2, ..., n
s ← s + ai,j x j
Fin
xi ← ai,n+ 1 − s
Fin
4.3.2 Eficiencia del método de Gauss
Sea n el tamaño del problema y T(n) la cantidad de operaciones aritméticas que se realizan
En la normalización: T(n) = O(n2) (dos ciclos anidados)
En la reducción: T(n) = O(n3) (tres ciclos anidados)
En la obtención de la solución: T(n) = O(n2) (dos ciclos anidados)
Por lo tanto, este método es de tercer orden: T(n) = O(n3)
Mediante un recorrido de los ciclos del algoritmo, se puede determinar en forma más precisa:
T(n) = n3/3 + O(n2) con lo que se puede concluir que el método de Gauss es más eficiente que
el método de Gauss-Jordan. Se supone n grande. Esta diferencia se la puede constatar
experimentalmente resolviendo sistemas grandes y registrando el tiempo de ejecución.
4.3.3 Instrumentación computacional
En esta primera versión del algoritmo se supondrá que el determinante de la matriz es diferente
de cero y que no se requiere intercambiar filas. La codificación en MATLAB sigue directamente
la formulación matemática descrita anteriormente. Se usa notación compacta para manejo de
matrices.
function x=gauss1(a,b)
n=length(b);
a=[a,b]; %Matriz aumentada
for e=1:n
a(e,e:n+1)=a(e,e:n+1)/a(e,e); %Normalizar la fila e
for i=e+1:n %Reducir otras filas
a(i,e:n+1)=a(i,e:n+1)-a(i,e)*a(e,e:n+1);
end
end
x(n,1)=a(n,n+1); %Solución del sistema triangular
for i=n-1:-1:1
x(i,1)=a(i,n+1)-a(i,i+1:n)*x(i+1:n,1);
end

77. 71
4.3.4 Estrategia de pivoteo
Al examinar la eficiencia de los métodos directos para resolver sistemas de ecuaciones lineales
se observa que la operación de multiplicación está en la sección crítica del algoritmo con
eficiencia O(n3).
Formulación del método de Gauss:
Etapa e = 1, 2, . . ., n
Normalizar la fila e:
a e, j ← a e, j / a e, e , j=e, e+1, ..., n+1; a e, e ≠ 0
Reducir las otras filas:
a i, j ← a i, j − a i, e a e, j , j=e, e+1, ..., n+1; i=e+1, e+2, ..., n
Etapa e: Columna e
Transformaciones
Fila e  1 a1,2 ... a1,e ... a1,n a1,n+ 1 
0 1 ... a2,e ... a2,n a2,n+ 1 
 
... ... ... ... ... ... ... 
 
0 0 ... a e,e ... a e,n a e,n+ 1 
... ... ... ... ... ... ... 
Tansformaciones  
0 0 ... an−1,e ... an−1,n an−1,n+1 
0 0 ... an,e ... an,n an,n+ 1 
 
Recordando la definición del error de redondeo propagado en la multiplicación:
EXY = X EY + Y EX
Una estrategia para disminuir el error de redondeo consiste en reducir el valor de los operandos
que intervienen en la multiplicación.
En la estrategia de “Pivoteo Parcial”, antes de normalizar la fila e se busca en la columna e de
cada fila i = e, e+1, . . ., n cual es el elemento con mayor magnitud. Si se usa este elemento
como divisor para la fila e, el cociente a e,j tendrá el menor valor. Este factor permite disminuir el
error cuando se realiza la etapa de reducción de las otras filas.
Por otra parte, si en esta estrategia de búsqueda, el valor elegido como el mayor divisor no es
diferente de cero, se concluye que en el sistema existen ecuaciones redundantes o
incompatibles, entonces el sistema no tiene solución única y el algoritmo debe terminar

78. 72
4.3.5 Instrumentación computacional del método de Gauss con pivoteo
La siguiente instrumentación en MATLAB del método de eliminación de Gauss incluye la
formulación descrita y la estrategia de “pivoteo parcial” vista anteriormente, en notación matricial
compacta de MATLAB. En esta instrumentación final se incluye un chequeo del divisor para
prevenir el caso de que el sistema sea singular aunque, por los errores de redondeo, no sea
exactamente igual a cero. También se verifica que sea una matriz cuadrada.
function x=gauss(a,b)
[n,m]=size(a);
if n~=m %Verificar si la matriz es cuadrada
x=[ ];
return;
end
a=[a,b]; %Matriz aumentada
for e=1:n
[z, p]=max(abs(a(e:n,e))); %Pivoteo por filas
p=p+e-1;
t=a(e,e:n+1); %Intercambio de filas
a(e,e:n+1)=a(p,e:n+1);
a(p,e:n+1)=t;
if abs(a(e,e))<1.0e-10 %Si el divisor es ~cero, no hay solución
x=[ ];
return;
end
a(e,e:n+1)=a(e,e:n+1)/a(e,e); %Normalizar la fila e
for i=e+1:n %Reducir otras filas
a(i,e:n+1)=a(i,e:n+1)-a(i,e)*a(e,e:n+1);
end
end
x(n,1)=a(n,n+1); %Solución del sistema triangular
for i=n-1:-1:1
x(i,1)=a(i,n+1)-a(i,i+1:n)*x(i+1:n,1);
end
La función [z,p]=max(v) de MATLAB entrega en z el mayor valor, y en p el número de la fila en
la que está ubicado este valor en el vector v
Ejemplo. Desde la ventana de comandos de MATLAB, use la función Gauss para resolver el
sistema:
2 3 7   x1   3 
 −2    
 5 6   x2  =
 5 
8
 9 4   x3  8 
   
Escriba en la ventana de comandos de MATLAB
>> a=[2, 3, 7; -2, 5, 6; 8, 9, 4]; Matriz de coeficientes
>> b=[3; 5; 8]; Vector de constantes
>> x=gauss(a,b) Llamada a la función
x=
-0.0556 Solución calculada
0.9150
0.0523

79. 73
4.3.6 Funciones de MATLAB para sistemas de ecuaciones lineales
MATLAB tiene un soporte muy potente para resolver sistemas de ecuaciones lineales.
Sugerimos entrar al sistema de ayuda de MATLAB y revisar la amplia información relacionada
con este tema.
La forma más simple de resolver un sistema lineal, si la matriz de coeficientes es cuadrada y no-
singular, es usando la definición de inversa de una matriz MATLAB.
Ejemplo. Resuelva el ejemplo anterior con la función inv de MATLAB
>> a=[2, 3, 7; -2, 5, 6; 8, 9, 4]; Matriz de coeficientes
>> b=[3; 5; 8]; Vector de constantes
>> x=inv(a)*b Invertir la matriz de coeficientes
x= Solución calculada por MATLAB
-0.0556
0.9150
0.0523
Una forma más general para resolver sistemas lineales, incluyendo sistemas singulares se
puede hacer con la función rref de MATLAB. Esta función reduce una matriz a su forma
escalonada con 1’s en la diagonal.
Ejemplo. Resuelva el ejemplo anterior con la función rref de MATLAB
>> a=[2 3 7;-2 5 6;8 9 4];
>> b=[3;5;8];
>> a=[a, b]; Matriz aumentada
>> c=rref(a)
c=
1.0000 0 0 -0.0556
0 1.0000 0 0.9150
0 0 1.0000 0.0523
La última columna de la matriz aumentada resultante contiene la solución.
4.3.7 Cálculo del determinante de una matriz
El algoritmo de Gauss transforma la matriz cuadrada de los coeficientes a la forma triangular
superior. En una matriz triangular, el determinante es el producto de los coeficientes de la
diagonal principal. Por lo tanto, el determinante se puede calcular multiplicando los divisores
colocados en la diagonal principal, considerando además el número de cambios de fila que se
hayan realizado en la estrategia de pivoteo.
Sean
A: matriz cuadrada
T: Matriz triangular superior obtenida con el algoritmo de Gauss
ai,i : Elementos en la diagonal de la matriz T. Son los divisores
k: Número de cambios de fila realizados
det(A): Determinante de la matriz A
Entonces
n
det(A) = (−1)k ∏ ai,i
i=1

80. 74
4.3.8 Instrumentación computacional para calcular el determinante
function d=determinante(a)
%Determinante de una matriz cuadrada
%Mediante reducción a una matriz triangular
%El determinante es el producto de los pivotes
[n,m]=size(a);
if n~=m %La matriz debe ser cuadrada
d=0;
return
end
signo=1; %cambios de fila
d=1;
for e=1:n
[z, p]=max(abs(a(e:n,e))); %Pivoteo por filas
p=p+e-1;
t=a(e,e:n); %Intercambio de filas
a(e,e:n)=a(p,e:n);
a(p,e:n)=t;
if e~=p %Cambio de fila = cambio de signo
signo=signo*(-1);
end
if abs(a(e,e))<1.0e-10 %Divisor cercano a 0: matriz singular
d=0;
return;
end
d=d*a(e,e); %Multiplicación de pivotes
a(e,e:n)=a(e,e:n)/a(e,e); %Normalizar la fila e
for i=e+1:n %Reducir otras filas
a(i,e:n)=a(i,e:n)-a(i,e)*a(e,e:n);
end
end
d=d*signo; %Determinante
Ejemplo
>> a=[5 3 7; 2 9 8; 5 8 2]
a=
5 3 7
2 9 8
5 8 2
>> d=determinante(a)
d=
-325

81. 75
4.4 Sistemas mal condicionados
Al resolver un sistema de ecuaciones lineales usando un método directo, es necesario analizar si
el resultado calculado es confiable. En esta sección se estudia el caso especial de sistemas que
son muy sensibles a los errores en los datos o en los cálculos y que al resolverlos producen
resultados con mucha variabilidad.
Para describir estos sistemas se considera el siguiente ejemplo:
Ejemplo Una empresa compra tres materiales A, B, C en cantidades en kg. como se indica en el
cuadro. Se dispone de tres facturas en las que consta el total pagado en dólares.
Factura A B C Total
1 2.0 4.0 5.0 220
2 6.0 9.0 8.0 490
3 4.1 5.0 3.0 274
Con esta información debe determinarse el precio por kg. de cada material.
Sean x1, x2, x3 los precios por kg. que deben determinarse. Entonces se pueden plantear las
ecuaciones:
2.0x1 + 4.0x2 + 5.0x3 = 220
6.0x1 + 9.0x2 + 8.0x3 = 490
4.1x1 + 5.0x2 + 3.0x3 = 274
En notación matricial
2.0 4.0 5.0   x1  220 
    
6.0 9.0 8.0   x 2  =  490 
 4.1 5.0 3.0   x 3  274 
    
Si se resuelve este sistema con un método directo se obtiene:
 40.00 
X = 10.00 
 
 20.00 
 
Supondremos ahora que el digitador se equivocó al ingresar los datos en la matriz y registró 4.1
en lugar del valor correcto 4.2
2.0 4.0 5.0   x1  220 
6.0 9.0 8.0   x  =  490 
  2  
 4.2 5.0 3.0   x 3  274 
    
Si se resuelve este sistema nuevamente con un método directo se obtiene:
20.00 
X = 31.53 
 
10.76 
 
Un cambio menor en un coeficiente produjo un cambio muy significativo en la solución. El
resultado fue afectado fuertemente por este error. Esto es un indicio de que el sistema es de un
tipo especial denominado mal condicionado. Los resultados obtenidos con estos sistemas no
son confiables para tomar decisiones.

82. 76
Esta situación se origina en el hecho de que la tercera ecuación es “casi linealmente
dependiente” de las otras dos ecuaciones, por lo tanto, la solución puede variar mucho al
cambiar algunos coeficientes.
Es conveniente detectar si un sistema es mal condicionado. Se debe cambiar ligeramente el
valor de algún coeficiente y observar el cambio en el vector solución. Si la solución cambia
significativamente, entonces es un sistema mal condicionado y debe revisarse la elaboración del
modelo matemático.
En esta sección se establece una medida para cuantificar el nivel de mal condicionamiento de un
sistema de ecuaciones lineales.
4.4.1 Definiciones
La norma de un vector o de una matriz es una manera de expresar la magnitud de sus
componentes
Sean X: vector de n componentes
A: matriz de nxn componentes
Algunas definiciones comunes para la norma:
n
X = ∑x
i=1
i
= max xi ,i 1,2,...,n
X =
n
X = (∑ x 2 )1/ 2
i=1
n
= max ∑ ai,j , j 1,2,...,n
A =
i=1
n
= max ∑ ai,j ,i 1,2,...,n
A =
j=1
n n
A = (∑ ∑a 2 1/ 2
)
i,j
= 1= 1
i j
Las dos primeras se denominan norma 1 y norma infinito, tanto para vectores como
para matrices. La tercera es la norma euclideana.
Ejemplo. Dada la siguiente matriz
 5 −3 2
= 4 A  8 −4  
2
 6 1

Calcule la norma infinito (norma por fila).
Esta norma es el mayor valor de la suma de las magnitudes de los componentes de cada fila
Fila 1: |5| + |-3| + |2| = 10
Fila 2: |4| + |8| + |-4| = 16
Fila 3: |2| + |6| + |1| = 9
Por lo tanto, la norma por fila de la matriz es 16

83. 77
4.4.2 Algunas propiedades de normas
Sea A: matriz de nxn componentes. (También se aplican a vectores)
a) A ≥ 0
b) kA =|k| A , k∈ℜ
c) A + B ≤ A + B
d) AB ≤ A B
e) ||(kA)-1|| = ||1/k A-1||, k∈ℜ, k≠0
4.4.3 Número de condición
El número de condición de una matriz se usa para cuantificar su nivel de mal condicionamiento.
Definición: Número de condición
Sea AX = B un sistema de ecuaciones lineales, entonces
cond(A) = || A || || A-1 || es el número de condición de la matriz A.
Cota para el número de condición:
cond(A) = || A || || A-1 || ≥ || A A-1 || = || I || = 1 ⇒ cond(A) ≥ 1
El número de condición no cambia si la matriz es multiplicada por alguna constante:
cond(kA)=||kA|| ||(kA)-1|| = k ||A|| ||1/k A-1|| = k ||A|| 1/k ||A-1|| = ||A|| ||A-1|| = cond(A)
 0.010 0.005  10 5 
A= = 1000A 
; B =
0.025 0.032  
Ejemplo.
  25 32 
A B
Determinante 0.000195 195
Norma1 de la matriz 0.0370 37
Norma1 de la inversa 292.3077 0.2923
Número de condición 10.8154 10.8154
Si la matriz tiene filas “casi linealmente dependientes”, su determinante tomará un valor muy
pequeño y su inversa tendrá valores muy grandes, siendo esto un indicio de que la matriz es mal
condicionada o es “casi singular”. Este valor interviene en el número de condición de la matriz.
Por otra parte, si la matriz tiene valores muy pequeños, su determinante será muy pequeño y su
inversa contendrá valores grandes aunque la matriz no sea mal condicionada.
Si el número de condición solo dependiera de la norma de la matriz inversa, esta norma tendría
un valor grande en ambos casos. Por esto, y usando la propiedad anotada anteriormente, es
necesario multiplicar la norma de la matriz inversa por la norma de la matriz original para que el
número de condición sea grande únicamente si la matriz es mal condicionada.

84. 78
Ejemplo. Calcule el número de condición de la matriz del ejemplo inicial
2.0 4.0 5.0 
A = 6.0 9.0 8.0 
 
 4.1 5.0 3.0 
 
 10.0000 −10.0000 10.0000 
−1
A =  −11.3846 11.1538 −10.7692 
 
 5.3077
 −4.9231 4.6154 
cond(A) = || A || || A-1 || = 766.07
Es un valor alto, respecto al valor mínimo que es 1
Una matriz puede considerarse mal condicionada si una ligera perturbación, error o cambio, en la
matriz de coeficientes produce un cambio muy significativo en el vector solución.
4.4.4 El número de condición y el error de redondeo
Dado un sistema de ecuaciones lineales AX = B cuya solución existe y es X
Suponer que debido a errores de medición, la matriz A de los coeficientes tiene un error E.
Sea A A + E , la matriz con los errores de medición. Suponer que el vector B es exacto
=
Entonces, al resolver el sistema con la matriz A se tendrá una solución X diferente a la
solución X del sistema con la matriz A. Esta solución X satisface al sistema: A X = B
Es importante determinar la magnitud de la diferencia entre ambas soluciones: X − X
Sustituyendo A X = B en el sistema original AX = B:
X = A −1B
= A −1 ( AX )
= A −1 (A + E)X
= A −1A X + A −1EX
= I X + A −1EX
= X + A −1EX
E
⇒ X − X = A −1EX ⇒ X − X ≤ A −1 E X ⇒ X − X ≤ A −1 A X
A
De donde se puede escribir, sustituyendo E y el número de condición de A:
Definición: Cota para el error relativo de la solución
|| X − X || || A − A ||
≤ cond(A)
|| X || || A ||
eX ≤ cond(A) (eA) Cota para el error relativo de la solución

85. 79
X es el vector solución calculado con la matriz inicial A
X es el vector solución calculado con la matriz modificada A
E = A − A es la matriz con la variación de los datos de la matriz.
eX es el error relativo de la solución
eA es el error relativo de la matriz
La expresión establece que la magnitud del error relativo de la solución está relacionada con el
error relativo de la matriz del sistema, ponderada por el número de condición. El número de
condición es un factor que amplifica el error en la matriz A aumentando la dispersión y la
incertidumbre de la solución calculada X
Ejemplo. Encuentre una cota para el error en la solución del ejemplo inicial
2.0 4.0 5.0 
Matriz original A = 6.0 9.0 8.0 
 
 4.1 5.0 3.0 
 
2.0 4.0 5.0 
Matriz modificada A = 6.0 9.0 8.0 
 
 4.2 5.0 3.0 
 
 0 0 0
Error en la matriz: EA = A - A =  0 0 0 
 
0.1 0 0 
 
Norma del error relativo de la matriz:
|| E A || 0.1
eA = = = 0.0043 = 0.43%
|| A || 23
Número de condición:
cond(A) = 766.07
Cota para el error relativo de la solución:
e X ≤ cond(A) (e A ) = 766.07 (0.0043) = 3.29 = 329%
Indica que la magnitud del error relativo de la solución puede variar hasta en 329%, por lo tanto
no se puede confiar en ninguno de los dígitos de la respuesta calculada.

86. 80
Ejemplo. Encuentre el error relativo de la solución en el ejemplo inicial y compare con el error
relativo de la matriz de los coeficientes.
2.0 4.0 5.0   x1  220   40.00 
Sistema original: 6.0 9.0 8.0   x  =  490  
Solución: X = 10.00

  2    
 4.1 5.0 3.0   x 3  274 
      20.00 
 
2.0 4.0 5.0   x1  220  20.00 
Sistema modificado: 6.0 9.0 8.0   x  =  490  
Solución: X = 31.53

  2    
 4.2 5.0 3.0   x 3  274 
     10.76 
 
20.00   40.00  -20.00 
Error en la solución:
   
EX = X - X = 31.53 - 10.00 =  21.53 
     
10.76   20.00   -9.23 
     
Norma del error relativo de la solución:
|| EX || 21.53
eX = = = 0.6828 = 68.28%
|| X || 31.53
Norma del error relativo de la matriz:
|| E A || 0.1
eA = = = 0.0043 = 0.43%
|| A || 23
La variación en el vector solución es muy superior a la variación de la matriz de coeficientes. Se
concluye que es un sistema mal condicionado.

87. 81
4.4.5 Funciones de MATLAB para normas y número de condición
Cálculo de normas de vectores y matrices en MATLAB
Sea a un vector o una matriz
norm(a, 1) para obtener la norma 1 (norma de columna)
norm(a, inf) para obtener la norma infinito (norma de fila)
cond(a, 1) número de condición con la norma 1
cond(a, inf) número de condición con la norma infinito
 4 5
Ejemplo. Calcule el número de condición de la matriz A =  
 4.1 5 
Escribimos en la pantalla de comandos de MATLAB:
>> a=[4, 5; 4.1, 5]; (Matriz)
>> norm(a,inf) (Norma de fila
ans =
9.5
>> inv(a) (Matriz inversa)
ans =
-10.0000 10.0000
8.2000 -8.0000
>> cond(a,inf) (Número de condición)
ans =
182.0000 (Matriz mal condicionada)

88. 82
4.5 Sistemas singulares
En esta sección se describe un método directo para intentar resolver un sistema lineal propuesto
de n ecuaciones con m variables, n<m. Estos sistemas también se obtienen como resultado de la
reducción de un sistema dado originalmente con m ecuaciones y m variables, en los que algunas
ecuaciones no son independientes. En ambos casos la matriz de coeficientes contendrá una o más
filas nulas y por lo tanto no tienen inversa y se dice que la matriz es singular, en este caso
también diremos que el sistema es singular. Estos sistemas no admiten una solución única.
Sin embargo, si el sistema es un modelo que representa algún problema de interés, es importante
detectar si el sistema es incompatible para el cual no existe solución, o se trata de un sistema
incompleto para el cual existe infinidad de soluciones. Más aún, es útil reducirlo a una forma en la
cual se facilite determinar las variables libres, a las que se pueden asignar valores arbitrarios
analizar las soluciones resultantes en términos de éstas variables y su relación con el problema.
Para facilitar el análisis de estos sistemas, es conveniente convertirlo en una forma más simple. La
estrategia que usaremos es llevarlo a la forma de la matriz identidad hasta donde sea posible
4.5.1 Formulación matemática y algoritmo
Se desea resolver el sistema de n ecuaciones lineales con m variables, siendo n≤m
a1,1x1 + a1,2 x1 + ... + a1,m x m =
b1
a2,1x1 + a2,2 x1 + ... + a2,m x m =b2
...
an,1x1 + an,2 x1 + ... + an,m x m =bn
En donde
ai,j ∈ ℜ : Coeficientes
bi ∈ ℜ : Constantes
xi ∈ ℜ : Variables cuyo valor debe determinarse
En notación matricial:
 a1,1 a1,2 ... a1,m   x1   b1 
a a2,2 ... a2,m   x 2  b2 
 2,1   =  
 ... ...   ...   ... 
    
 an,1
 an,1 ... an,m   x m  bn 

Simbólicamente: AX = B, en donde
 a1,1 a1,2 ... a1,m   b1   x1 
a a2,2 ... a2,m  b  x 
=  ; B =
2,1 2  2
A = ; X
 ... ...   ...   ... 
     
 an,1
 an,1 ... an,m 
 bn   xm 
Para unificar la descripción algorítmica, es conveniente aumentar la matriz A con el vector B pues
en ambos deben realizarse simultáneamente las mismas operaciones:
 a1,1 a1,2 ... a1,m a1,m+ 1 
a a2,m+ 1 
2,1 a 2,2 ... a2,m
A |B =  
 ... ... ... ... ... 
 
 an,1 an,2
 ... an,m an,m+ 1 

Siendo ai,m+1 = bi, i = 1, 2, 3, ..., n

89. 83
El procedimiento consiste en transformar la matriz aumentada, de manera similar al método de
Gauss-Jordan. El objetivo es reducir la matriz aumentada a una forma escalonada con 1’s en la
diagonal mediante intercambios de filas, hasta donde sea posible hacerlo.
Si n<m la matriz transformada finalmente tendrá la siguiente forma
 a1,1 a1,2 ... a1,m a1,m+ 1   1 0 ... 0 a1,n+ 1 ... a1,m a1,m+ 1 
a   
0 1 ... 0 a2,n+ 1 ... a2,m a2,m+ 1 
2,1 a 2,2
→ . . . →
... a2,m a2,m+ 1 
A |B =  ... ... ... ... ... ... ...
 ... ... ... ... ...  ... 
   
 an,1 an,2
 ... an,m an,m+ 1 
  0 0 ... 1 an,n+ 1 ... an,m an,m+ 1 
 
En el sistema resultante, las variables xn+1, xn+2, …, xm se denominan variables libres y pueden
tomar valores arbitrarios, normalmente asociados al problema que se analiza, mientras que las
otras variables x1, x2, …, xn pueden tomar valores dependientes de las variables libres. Los valores
ai,j que aparecen en la matriz reducida, son los valores resultantes de las transformaciones
aplicadas. La forma final facilita asignar valores a estas variables.
En cada etapa, primero se hará que el elemento en la diagonal tome el valor 1. Luego se hará que
los demás elementos de la columna correspondiente, tomen el valor 0. Realizando previamente
intercambios de filas para colocar como divisor el elemento de mayor magnitud. Esta estrategia se
denomina pivoteo parcial y se usa para determinar si el sistema es singular.
La formulación es similar al método de Gauss-Jordan descrito en una sección anterior, pero el
algoritmo incluye el registro de variables libres.
ALGORITMO DE GAUSS-JORDAN PARA SISTEMAS SINGULARES
a: matriz aumentada del sistema de n ecuaciones lineales
v: vector de variables libres (inicialmente nulo)
Para e = 1, 2, . . ., n
Elegir el valor de mayor magnitud de la columna e en las filas e, e+1, ..., n
Si este valor es cero
agregar e al vector v de las variable libres
avanzar a la siguiente etapa e
Sino (continuar con la transformación matricial)
Para j=e, e+1, ..., n+1
a e,j ← a e,j / a e,e Normalizar la fila e ( a e,e ≠ 0 )
Fin
Para i=1, 2, …, i -1, i +1,… n
Para j=e, e+1, ..., n+1
ai,j ← ai,j − ai,e a e,j Reducir las otras filas
Fin
Fin
Fin
Fin
Si el vector v no contiene variables libres
Entregar en x el vector solución almacenado en la última columna de la matriz a
Sino
Entregar un vector x nulo
Entregar la matriz a reducida
Fin

90. 84
Ejemplo. Una empresa produce cuatro productos: P1, P2, P3, P4 usando tres tipos de materiales
M1, M2, M3. Cada Kg. de producto requiere la siguiente cantidad de cada material, en Kg.:
P1 P2 P3 P4
M1 0.2 0.5 0.4 0.2
M2 0.3 0 0.5 0.6
M3 0.5 0.5 0.1 0.2
La cantidad disponible de cada material es: 10, 12, 15 Kg. respectivamente, los cuales deben
usarse completamente. Se quiere analizar la estrategia de producción factible.
Sean x1, x2, x3, x4 cantidades en Kg. producidas de P1, P2, P3, P4, respectivamente
Se obtienen las ecuaciones:
0.2x1 + 0.5x2 + 0.4x3 + 0.2x4 = 10
0.3x1 + 0.5x3 + 0.6x4 = 12
0.5x1 + 0.5x2 + 0.1x3 + 0.2x4 = 15
Es un sistema de tres ecuaciones y cuatro variables. En notación matricial
 x1 
0.2 0.5 0.4 0.2    10 
0.3 0 0.5 0.6   x 2  = 12 
  x   
0.5 0.5 0.1 0.2   3  15 
  x  
 4
Reducción con el método de Gauss-Jordan usando pivoteo
1.00 1.00 0.20 0.40 30.00 
 0 -0.30 0.44 0.48 3.00 
 

 0 0.30 0.36 0.12 4.00 
1.00 0 1.66 2.00 40.00 
 0 1.00 -1.46 -1.60 -10.00 
 
 0
 0 0.80 0.60 7.00 
1.00 0 0 0.75 25.41 
 0 1.00 0 -0.50 2.83 
 
 0
 0 1.00 0.75 8.75 

Sistema equivalente reducido:
x1 + 0.75x4 = 25.41
x2 - 0.50x4 = 2.83
x3 + 0.75x4 = 8.75
La variable x4 queda como variable libre:
Sea x4 = t, t≥0, t∈ℜ (variable libre)
T
Conjunto solución: X = [25.41 - 0.75 t, 2.83 + 0.50 t, 8.75 - 0.75 t, t]
Rango para la variable libre:
x3 = 8.75 - 0.75 t ≥ 0 ⇒ t ≤ 11.66 (la producción no puede tener valores negativos)
x2 = 2.83 + 0.50 t ≥ 0 ⇒ t ≥ 0
x1 = 25.41 - 0.75 t ≥ 0 ⇒ t ≤ 33.88

91. 85
Se concluye que 0 ≤ t ≤ 11.66
Rango para las variables
0 ≤ x4 ≤ 11.66
x3 = 8.75 - 0.75 t ⇒ 0 ≤ x3 ≤ 8.75
x2 = 2.83 + 0.50 t ⇒ 2.83 ≤ x2 ≤ 8.66
x1 = 25.41 - 0.75 t ⇒ 16.66 ≤ x1 ≤ 25.41
Esta información puede ser útil para decidir la cantidad que debe producirse de cada artículo
usando todos los recursos disponibles.
Si se decide producir 10 Kg del producto P4, entonces para que no sobren materiales, la
producción será:
x4=10 ⇒ t = x4, x3=1.25, x2=7.83, x1=17.91
Si se decide producir 20 Kg del producto P1, entonces para que no sobren materiales, la
producción será:
x1=20 ⇒ t=x4=7.21, x3= 3.34, x2=6.43
4.5.2 Instrumentación computacional
La instrumentación se realiza mediante una función con el nombre slin utilizando la notación
compacta de matrices de MATLAB. En la codificación se incluyen algunos comentarios ilustrativos.
La matriz es estandarizada dividiendo por el elemento de mayor magnitud para reducir el error de
truncamiento y detectar en forma consistente si el sistema es singular.
Por los errores de redondeo se considerará que el elemento de la diagonal es nulo si su valor tiene
una magnitud menor que 10-10.
Parámetros de entrada
a: matriz de coeficientes
b: vector de constantes
Parámetros de salida
x: vector solución
a: matriz de coeficientes reducida a la forma escalonada
Puede llamarse a la función slin especificando únicamente un parámetro de salida, el vector
solución:
>> x=slin(a,b)
Si se obtiene como respuesta un vector nulo
x=
[]
Entonces se puede llamar usando los dos parámetros de salida para analizar el resultado de la
transformación matricial, como se indicará en los ejemplos posteriores:
>> [x,c]=slin(a,b)
Si el vector solución no es un vector nulo, entonces el sistema es consistente y la solución
obtenida es única y la matriz se habrá reducido a la matriz identidad.

92. 86
Si el vector solución es un vector nulo, entonces el sistema es singular y la matriz de coeficientes
reducida permitirá determinar si es un sistema redundante o incompatible.
function [x,a]=slin(a,b)
[n,m]=size(a);
z=max(max(a));
v=[n+1:m]; %Vector inicial de variables libres
a(1:n,m+1)=b; %Matriz aumentada
if n>m %Mas ecuaciones que variables
x=[ ];
a=[ ];
return;
end
a=a/z; %Estandarizar la matriz para reducir error
for e=1:n %Ciclo para n etapas
[z,p]=max(abs(a(e:n,e))); %Pivoteo por filas
p=p+e-1;
t=a(e,e:m+1); %Cambiar filas
a(e,e:m+1)=a(p,e:m+1);
a(p,e:m+1)=t;
if abs(a(e,e))<1.0e-10 %Sistema singular
v=[v, e]; %Agregar variable libre y continuar
else
a(e,e:m+1)=a(e,e:m+1)/a(e,e); %Normalizar la fila e
for i=1:n %Reducir otras filas
if i~=e
a(i,e:m+1)=a(i,e:m+1)-a(i,e)*a(e,e:m+1);
end
end
end
end
x=[ ];
if length(v)==0; %Sistema consistente. Solución única
x=a(1:n,m+1); %El vector X es la última columna de A
a(:,m+1)=[ ]; %Eliminar la última columna de A
return;
end
En los siguientes ejemplos se utiliza una notación informal para identificar cada tipo de sistema
que se resuelve. Los resultados obtenidos deben interpretarse según lo descrito en la
instrumentación computacional de la función slin.
Sistema completo: Tiene n ecuaciones y n variables
Sistema incompleto: Tiene n ecuaciones y m variables, n<m. Puede ser dado inicialmente o
puede ser resultado del proceso de transformación matricial en el que
algunas ecuaciones desaparecen pues son linealmente dependientes.
Sistema consistente: Tiene una solución única
Sistema redundante: Tiene variables libres y por lo tanto, infinidad de soluciones
Sistema incompatible: Contiene ecuaciones incompatibles. La transformación matricial reduce el
sistema a uno conteniendo proposiciones falsas
Las variables libres se reconocen porque no están diagonalizadas, es decir que no contienen 1 en
la diagonal principal de la matriz transformada.

93. 87
1) Sistema consistente
x1 + 2x3 + 4x4 = 1
x2 + 2x3 =0
x1 + 2x2 + x3 =0
x1 + x 2 + 2x4 = 2
>> a = [1 0 2 4; 0 1 2 0; 1 2 1 0; 1 1 0 2]
a=
1 0 2 4
0 1 2 0
1 2 1 0
1 1 0 2
>> b=[1; 0; 0; 2]
b=
1
0
0
2
>> x=slin(a,b)
x=
-3.0000
2.0000
-1.0000
1.5000
2) Sistema completo reducido a incompleto redundante
>> a=[1 1 2 2;1 2 2 4;2 4 2 4 ;1 3 0 2]
a=
1 1 2 2
1 2 2 4
2 4 2 4
1 3 0 2
>> b=[1; 2; 2; 1]
b=
1
2
2
1
>> x=slin(a,b)
x=
[]
>> [x,c]=slin(a,b)
x=
[]
c=
1 0 0 -4 -2
0 1 0 2 1
0 0 1 2 1
0 0 0 0 0
Se obtiene un sistema equivalente. Las soluciones se asignan mediante la variable libre x4 :
x1 - 4x4 = -2 x1 = 4x4 - 2
x2 - 2x4 = 1 ⇒ x2 = 2x4 + 1
x3 + 2x4 = 1 x3 = -2x4 + 1
Sea x4 = t, t Є R, entonces el conjunto solución es {4t-2, 2t+1, -2t +1}

94. 88
3) Sistema incompleto
>> a=[1 0 2 4;4 1 2 4;2 4 5 2]
a=
1 0 2 4
4 1 2 4
2 4 5 2
>> b=[1; 0; 2]
b=
1
0
2
>> x=slin(a,b)
x=
[]
>> [x,c]=slin(a,b)
x=
[]
c=
1.0000 0 0 0.6400 -0.2800
0 1.0000 0 -1.9200 -0.1600
0 0 1.0000 1.6800 0.6400
Se obtiene un sistema equivalente. Las soluciones se asignan mediante la variable libre x4:
x1 + 0.64x4 = -0.28
x2 - 1.92x4 = -0.16
x3 + 1.68x4 = 0.64
4) Sistema completo reducido a incompleto incompatible
>> a=[1 1 2 2;1 2 2 4;2 4 2 4 ;1 3 0 2]
a=
1 1 2 2
1 2 2 4
2 4 2 4
1 3 0 2
>> b=[1; 2; 2; 4]
b=
1
2
2
4
>> x=slin(a,b)
x=
[]
>> [x,c]=slin(a,b)
x=
[]
c=
1 0 0 -4 -2
0 1 0 2 1
0 0 1 2 1
0 0 0 0 3

95. 89
Sistema equivalente:
x1 - 4x4 = -2
x2 - 2x4 = 1
x3 + 2x4 = 1
0x4 = 3
4.5.3 Uso de funciones de MATLAB
Comparación de la función slin con la función rref de MATLAB resolviendo un sistema singular.
Resolver el sistema incompleto:
 x1 
1 0 −1 0 0 0    2 
0 x2
 0 0 1 0 −1   30 
 x   
0 0 1 0 −1 0    =  −4 
3
  x 4   
0 1 −1 0 0 0 10
 x5   
0
 0 0 1 0 0    50 
  
 
 x6 
>> a=[1 0 -1 0 0 0; 0 0 0 1 0 -1; 0 0 1 0 -1 0;0 1 -1 0 0 0; 0 0 0 1 0 0]; (matriz 5x6)
>> b=[2; 30; -4; 10; 50]; (vector 5x1)
>> [x,c]=slin(a,b)
x=
[]
c=
1 0 0 0 -1 0 -2
0 1 0 0 -1 0 6
0 0 1 0 -1 0 -4
0 0 0 1 0 -1 30
0 0 0 0 0 1 20
>> c=rref([a, b])
c=
1 0 0 0 -1 0 -2
0 1 0 0 -1 0 6
0 0 1 0 -1 0 -4
0 0 0 1 0 0 50
0 0 0 0 0 1 20
Los resultados son equivalentes. La variable libre es x5
De ambos sistemas reducidos se puede obtener:
x6 = 20
x4 = 50
x5 = t, t ≥ 0 (variable libre)
x3 = -4 + t
x2 = 6 + t
x1 = -2 + t
Los resultados obtenidos también establecen que t ≥ 4

96. 90
4.6 Sistemas tridiagonales
En un sistema tridiagonal la matriz de los coeficientes contiene todos sus componentes iguales a
cero excepto en las tres diagonales principales. Estos sistemas se presentan en la aplicación de
cierto tipo de métodos numéricos como el caso de los trazadores cúbicos y en la solución de
ecuaciones diferenciales con diferencias finitas.
Se puede diseñar un método directo para resolver un sistema tridiagonal con eficiencia de primer
orden: T(n)=O(n) lo cual representa una enorme mejora respecto a los métodos directos generales
para resolver sistemas de ecuaciones lineales, cuya eficiencia es T(n)=O(n3).
4.6.1 Formulación matemática y algoritmo
Un sistema tridiagonal de n ecuaciones expresado en notación matricial:
 b1 c1   x1   d1 
a b c   x  d 
 2 2 2  2  2
 a 3 b3 c 3   x 3  = d3 
    
 ... ... ...   ...   ... 

 an bn   xn  dn 
   
Para obtener la formulación se puede considerar únicamente un sistema de tres ecuaciones para
luego extenderla al caso general. Las transformaciones son aplicadas a la matriz aumentada:
 b1 c1 d1 
 
 a2 b2 c 2 d2 

 a3 b3 d3  
1) Sea w 1 = b1 . Dividir la primera fila para w1
 c1 d1 
1 w1 w1 
 
 a2 b2 c2 d2 
 
 a3 b3 d3 

 

d1
2) Sea g1 = . Restar de la segunda fila, la primera multiplicada por a2
w1
 c1 
1 w1
g1 
 
 c1 
 0 b2 − a2 c2 d2 − a2 g1 
 w1 
 a3 b3 d3 
 
 
c1
3) Sea w= b2 − a2
2 . Dividir la segunda fila para w2
w1
 c1 
1 w g1 
 1 
 c2 d2 − a2 g1 
0 1 
 w2 w2 
 a3 b3 d3 
 
 

97. 91
d2 − a2 g1
4) Sea g2 = . Restar de la tercera fila, la segunda multiplicada por a3
w2
 c1 
1 g1 
 w1 
 c2 
0 1 g2 
 w2 
 c2 
 0 b3 − a 3 d3 − a3 g2 

 w2 

c2
5) Sea w= b3 − a3
3 . Dividir la tercera fila para w3
w2
 c1 
1 g1 
 w1 
 c2 
0 1 g2 
 w2 
 d3 − a3 g2 
 0 1 

 w3 

d3 − a3 g2
6) Sea g3 = . Finalmente se obtiene:
w3
 c1 
1 w g1 
 1 
 c2 
0 1 g2 
 w2 
 0 1 g3 
 
 
De donde se puede hallar directamente la solución
x 3 = g3
c2
x 2 g2 −
= x3
w2
c1
x1 g1 −
= x2
w1
(2)
La formulación se extiende al caso general
Transformación matricial de un sistema tridiagonal de n ecuaciones lineales
w 1 = b1
d1
g1 =
w1
ac
bi − i i−1 ,
wi = i=
2,3,...,n
w i−1
di − aigi−1
=gi = 2,3,...,n, i
wi
Obtención de la solución
xn = gn
ci xi+ 1
xi =i −
g , i =− 1, n − 2,...,2,1
n
wi
(2)
Algoritmo de Thomas

98. 92
El algoritmo incluye un ciclo dependiente del tamaño del problema n para reducir la matriz y otro
ciclo externo dependiente de n para obtener la solución. Por lo tanto es un algoritmo con eficiencia
T(n)=O(n).
4.6.2 Instrumentación computacional
Con la formulación anterior se escribe una función para resolver un sistema tridiagonal de n
ecuaciones lineales. La función recibe los coeficientes y las constantes en los vectores a, b, c, d.
La solución es entregada en el vector x
function x = tridiagonal(a, b, c, d)
n = length(d);
w(1) = b(1);
g(1) = d(1)/w(1);
for i = 2:n %Transformación matricial
w(i) = b(i) - a(i)*c(i-1)/w(i-1);
g(i) = (d(i) - a(i)*g(i-1))/w(i);
end
x(n) = g(n);
for i = n-1:-1:1 %Obtención de la solución
x(i) = g(i) - c(i)*x(i+1)/w(i);
end
Ejemplo. Resuelva el siguiente sistema tridiagonal de ecuaciones lineales usando la función
anterior
7 5   x1   6 
 2 −8 1   x   5 
  2 =  
 6 4 3  x3  7 
    
 9 8  x 4  8 
>> a = [0 2 6 9]; Vectores con las diagonales (completas)
>> b = [7 -8 4 8];
>> c = [5 1 3 0];
>> d = [6 5 7 8];
>> x = tridiagonal(a, b, c, d)
x= Solución calculada
0.7402
0.1637
4.8288
-4.4324

99. 93
5 Métodos iterativos para resolver sistemas de ecuaciones lineales
La resolución de sistemas de ecuaciones lineales también puede hacerse con fórmulas iterativas
que permiten acercarse a la respuesta mediante aproximaciones sucesivas, sin embargo desde el
punto de vista práctico es preferible usar métodos directos que con el soporte computacional actual
resuelven grandes sistemas en forma eficiente y con mucha precisión, a diferencia de los sistemas
de ecuaciones no-lineales cuya solución no se puede obtener mediante métodos directos.
Las fórmulas iterativas no siempre convergen, su análisis puede ser complicado, la convergencia
es de primer orden y se requiere elegir algún vector inicial para comenzar el proceso iterativo. En la
época actual el estudio de estos métodos iterativos se puede considerar principalmente como de
interés teórico matemático, excepto para resolver grandes sistemas de ecuaciones lineales con
matrices esparcidas y cuya convergencia se puede determinar fácilmente.
Para definir un método iterativo, se expresa el sistema AX = B en la forma X = G(X) con el mismo
fundamento descrito en el método del Punto Fijo para resolver ecuaciones no lineales.
5.1 Método de Jacobi
5.1.1 Formulación matemática
Dado un sistema de ecuaciones lineales
a1,1x1 + a1,2x2 + ... + a1,nxn = b1
a2,1x1 + a2,2x2 + ... + a2,nxn = b2
. . . .
an,1x1 + an,2x2 + ... + an,nxn = bn
Expresado abreviadamente en notación matricial: AX = B
Una forma simple para obtener la forma X = G(X) consiste en re-escribir el sistema despejando de
la ecuación i la variable xi a condición de que ai,i sea diferente de 0:
x1 = 1/a1,1 (b1 – a1,2x2 – a1,3x3 - ... – a1,nxn)
x2 = 1/a2,2 (b2 – a2,1x1 – a2,3x3 - ... – a2,nxn)
. . . .
xn = 1/an,n (bn – an,1x1 – an,2x2 - ... – an,n-1xn-1)
El cual puede escribirse con la notación de sumatoria:
i −1 n n
1 1
xi = (bi - ∑ ai,j x j − ∑ ai,j x j ) = (bi - ∑ ai,j x j ); i = 1, 2, ..., n;
ai,i j= 1 j= i + 1 ai,i = 1,j≠i
j
El sistema está en la forma X = G(X) la cual sugiere su uso iterativo.
Utilizamos un índice para indicar iteración:
X(k+1) = G(X(k)), k=0, 1, 2, .... (iteraciones)
Fórmula iterativa de Jacobi:
n
1
xi(k + 1) = (bi - ∑ ai,j x (k) ); i = 1, 2, ..., n; k = 0, 1, 2, ...
j
ai,i = 1,j≠i
j
X(0) es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X(1), X(2), ...
Si el método converge, entonces X(k) tiende a la solución X a medida que k crece:
X (k) → X
k →∞

100. 94
Ejemplo. Dadas las ecuaciones:
5x1 – 3x2 + x3 = 5
2x1 + 4x2 – x3 = 6
2x1 – 3x2 + 8x3 = 4
Formule un sistema iterativo con el método de Jacobi:
x1(k+1) = 1/5 (5 + 3x2(k) – x3(k))
x2(k+1) = 1/4 (6 – 2x1(k) + x3(k))
x3(k+1) = 1/8 (4 – 2x1(k) + 3x2(k)) k = 0, 1, 2, ...
Realice dos iteraciones, comenzando con los valores iniciales: x1(0) = x2(0) = x3(0) = 1
k=0: x1(1) = 1/5 (5 + 3x2(0) – x3(0)) = 1/5 (5 + 3(1) – (1)) = 1/5 (7) = 1.4
x2(1) = 1/4 (6 – 2x1(0) + x3(0)) = 1/4 (6 – 2(1) + (1)) = 1/4 (5) = 1.25
x3(1) = 1/8 (4 – 2x1(0) + 3x2(0)) = 1/8 (4 – 2(1) + 3(1)) = 1/8 (5) = 0.625
k=1:
x1(2) = 1/5 (5 + 3x2(1) – x3(1)) = 1/5 (5 + 3(1.25) – (0.625)) = 1.6250
x2(2) = 1/4 (6 – 2x1(1) + x3(1)) = 1/4 (6 – 2(1.4) + (0.625)) = 0.9563
x3(2) = 1/8 (4 – 2x1(1) + 3x2(1)) = 1/8 (4 – 2(1.4) + 3(1.25)) = 0.6188
5.1.2 Manejo computacional de la fórmula de Jacobi
La siguiente función en MATLAB recibe un vector X y entrega un nuevo vector X calculado en
cada iteración
function x = jacobi(a,b,x)
n=length(x);
t=x; % t es asignado con el vector X ingresado
for i=1:n
s=a(i,1:i-1)*t(1:i-1)+a(i,i+1:n)*t(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end
Uso de la función Jacobi para el ejemplo anterior:
>> a= [5, -3, 1; 2, 4, -1;2, -3, 8];
>> b= [5; 6; 4];
>> x= [1; 1; 1]; Vector inicial
>> x=jacobi(a,b,x) Repita este comando y observe la convergencia
x=
1.4000
1.2500
0.6250
>> x=jacobi(a,b,x)
x=
1.6250
0.9563
0.6188
>> x=jacobi(a,b,x)
x=
1.4500
0.8422
0.4523 etc.

101. 95
5.1.3 Algoritmo de Jacobi
a: matriz de coeficientes, b: vector de constantes del sistema de n ecuaciones lineales
e: estimación del error para la solución, m: máximo de iteraciones permitidas
x: vector inicial para la solución, k es el conteo de iteraciones
t←x
Para k = 1, 2, . . ., m
Calcular el vector x con la fórmula de Jacobi
Si la norma del vector x – t es menor que e
x es el vector solución con precisión e
Terminar
sino
t←x
fin
fin
Al exceder el máximo de iteraciones entregar un vector x nulo
5.1.4 Instrumentación computacional del método de Jacobi
La siguiente función en MATLAB recibe la matriz de coeficientes a y el vector de constantes b de
un sistema lineal. Adicionalmente recibe un vector inicial x, la estimación del error e y el máximo
de iteraciones permitidas m. La función entrega el vector x calculado y el número de iteraciones
realizadas k. Si el método no converge, x contendrá un vector nulo y el número de iteraciones k
será igual al máximo m.
function [x,k] = jacobim(a,b,x,e,m)
n=length(x);
for k=1:m
t=x;
for i=1:n
s=a(i,1:i-1)*t(1:i-1)+a(i,i+1:n)*t(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end
if norm((x-t),inf)<e
return
end
end
x=[ ];
k=m;
Ejemplo
Use la función jacobim para encontrar el vector solución del ejemplo anterior con una precisión
de 0.0001 Determine cuántas iteraciones se realizaron. Comenzar con el vector inicial x=[1; 1; 1]
>> a=[5, -3, 1; 2, 4, -1; 2, -3, 8];
>> b=[5; 6; 4];
>> x=[1; 1; 1];
>> [x,k]=jacobim(a,b,x,0.0001,20)
x=
1.4432
0.8973
0.4757
k=
12

102. 96
5.1.5 Forma matricial del método de Jacobi
Dado el sistema de ecuaciones lineales
AX = B
La matriz A se re-escribe como la suma de tres matrices:
A=L+D+U
D es una matriz diagonal con elementos iguales a los elementos de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos iguales a
los elementos respectivos de la matriz A
U es una matriz triangular superior con ceros en la diagonal principal y los otros elementos iguales
a los elementos respectivos de la matriz A
En forma desarrollada:
 a1,1 a1,2 ... a1,n   0 0 ... 0   a1,1 0 0 0   0 a1,2 ... a1,n 
a  a 0   0 a 2,2 0 0  0 0
2,1 a 2,2 ... a2,n  0 ... ... a2,n 
A= =L + D + U =  + + 
2,1
 ... ... ... ...   ... ... ... ...  ... ... ... ...  ... ... ... ... 
       
 an,1 an,2
 ... an,n 
  an,1 an,2
 ... 0  0
  0 0 an,n   0 0
 0 0 
Sustituyendo en la ecuación:
(L + D + U)X = B
LX + DX + UX = B
X = D-1B - D-1LX - D-1UX, Siempre que D-1 exista
Ecuación recurrente del método de Jacobi según el método del Punto Fijo X = G(X)
X = D-1B - D-1 (L + U)X
En donde
 1
D −1 =  
 ai,i  nxn
 
Ecuación recurrente desarrollada
 x1   b1 / a1,1   0 a1,2 / a1,1 a1,3 / a1,1 ... a1,n / a1,1   x1 
  b / a   a / a 0 a2,3 / a2,2 
... a2,n / a2,2   x 2 
 x2 
=  2 2,2  −  2,1 2,2  
 :   :   : : : ... :  : 
      
 x2  
  
bn / an,n   an,1 / an,n an,2 / an,n an,3 / an,n ... 0 
  xn 
Fórmula recurrente iterativa:
X (k + 1) =D−1B − D−1 (L + U)X (k) , k =0,1,2,... (iteraciones)
Fórmula iterativa con las matrices desarrolladas
 x1 + 1) 
(k
 b1 / a1,1   0 a1,2 / a1,1 a1,3 / a1,1 ... a1,n / a1,1   x1 
(k)
 (k + 1)  b / a   a / a  (k) 
 x2   2 2,2  −  2,1 2,2 0 a2,3 / a2,2 ... a2,n / a2,2   x 2 

=
   :   : : : ... :  : 
 :      
 x (k + 1)  
bn / an,n   an,1 / an,n
  an,2 / an,n an,3 / an,n ... 0   xn 
  (k) 
 n 
X(0) es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X(1), X(2), ...

103. 97
Si el método converge, entonces la sucesión { X(k) }k=0,1,2,.. tiende al vector solución X
5.1.6 Práctica computacional con la notación matricial
Resuelva el ejemplo anterior usando la ecuación de recurrencia matricial directamente desde la
ventana de commandos de MATLAB
>> a=[5 -3 1; 2 4 -1; 2 -3 8]
a=
5 -3 1
2 4 -1
2 -3 8
>> b=[5;6;4]
b=
5
6
4
>> d=[5 0 0; 0 4 0; 0 0 8] Matriz diagonal
d=
5 0 0
0 4 0
0 0 8
>> l=[0 0 0; 2 0 0; 2 -3 0] Matriz triangular inferior con ceros en la diagonal
l=
0 0 0
2 0 0
2 -3 0
>> u=[0 -3 1; 0 0 -1; 0 0 0] Matriz triangular superior con ceros en la diagonal
u=
0 -3 1
0 0 -1
0 0 0
>> x=[1;1;1] Vector inicial
x=
1
1
1
>> x=inv(d)*b-inv(d)*(l+u)*x Formula iterativa de Jacobi en forma matricial
x=
1.4000
1.2500
0.6250
>> x=inv(d)*b-inv(d)*(l+u)*x
x=
1.6250
0.9562
0.6187
>> x=inv(d)*b-inv(d)*(l+u)*x
x=
1.4500
0.8422
0.4523
Etc

104. 98
5.2 Método de Gauss-Seidel
Se diferencia del método anterior al usar los valores más recientes del vector X, es decir aquellos
que ya están calculados, en lugar de los valores de la iteración anterior como en el método de
Jacobi. Por este motivo, podemos suponer que el método de Gauss-Seidel en general converge o
diverge más rápidamente que el método de Jacobi.
5.2.1 Formulación matemática
La fórmula de Gauss-Seidel se la obtiene directamente de la fórmula de Jacobi separando la
sumatoria en dos partes: los componentes que aún no han sido calculados se los toma de la
iteración anterior k, mientras que los que ya están calculados, se los toma de la iteración k+1:
i −1 n
1
xi(k + 1) =
ai,i
(bi - ∑ ai,jx(k +1) - ∑ ai,jx(k) );
j j i = 1, 2, ..., n; k = 0, 1, 2, ...
j= 1 j= i + 1
En general, el método de Gauss-Seidel requiere menos iteraciones que el método de Jacobi en
caso de que converja
Ejemplo. Dadas las ecuaciones:
5x1 – 3x2 + x3 = 5
2x1 + 4x2 – x3 = 6
2x1 – 3x2 + 8x3 = 4
Formule un sistema iterativo con el método de Gauss-Seidel:
x1= 1/5 (5 + 3x2 – x3 )
x2= 1/4 (6 – 2x1+ x3 )
x3= 1/8 (4 – 2x1+ 3x2)
Fórmula iterativa:
x1(k+1) = 1/5 (5 + 3x2(k) – x3(k))
x2(k+1) = 1/4 (6 – 2x1(k+1) + x3(k))
x3(k+1) = 1/8 (4 – 2x1(k+1) + 3x2(k+1))
Comenzando con el vector inicial: x1(0) = x2(0) = x3(0) = 1, realice dos iteraciones:
k=0: x1(1) = 1/5 (5 + 3x2(0) – x3(0)) = 1/5 (5 + 3(1) – (1)) = 1.4
x2(1) = 1/4 (6 – 2x1(1) + x3(0)) = 1/4 (6 – 2(1.4) + (1)) = 1.05
x3(1) = 1/8 (4 – 2x1(1) + 3x2(1)) = 1/8 (4 – 2(1.4) + 3(1.05)) = 0.5438
k=1:
x1(2) = 1/5 (5 + 3x2(1) – x3(1)) = 1/5 (5 + 3(1.05) – (0.5438))=1.5212
x2(2) = 1/4 (6 – 2x1(2) + x3(1)) = 1/4 (6 – 2(1.5212) + (0.5438)) = 0.8753
x3(2) = 1/8 (4 – 2x1(2) + 3x2(2)) =1/8 (4 – 2(1.5212) + 3(0.8753))=0.4479

105. 99
5.2.2 Manejo computacional de la fórmula de Gauss-Seidel
La siguiente función en MATLAB recibe un vector X y entrega un nuevo vector X calculado en
cada iteración
function x = gaussseidel(a,b,x)
n=length(x);
for i=1:n
s=a(i,1:i-1)*x(1:i-1)+a(i,i+1:n)*x(i+1:n); %Usa el vector x actualizado
x(i) = (b(i) - s)/a(i,i);
end
Resuelva el ejemplo anterior usando la función gaussseidel:
>> a = [5, -3, 1; 2, 4, -1;2, -3, 8];
>> b = [5; 6; 4];
>> x = [1; 1; 1]; Vector inicial
>> x=gaussseidel(a,b,x) Repetir este comando y observar la convergencia
x=
1.4000
1.0500
0.5438
>> x=gaussseidel(a,b,x)
x=
1.5213
0.8753
0.4479
>> x=gaussseidel(a,b,x)
x=
1.4356
0.8942
0.4764
>> x=gaussseidel(a,b,x)
x=
1.4412
0.8985
0.4766 etc.
En general, la convergencia es más rápida que con el método de Jacobi
5.2.3 Instrumentación computacional del método de Gauss-Seidel
Similar al método de Jacobi , conviene instrumentar el método incluyendo el control de iteraciones
dentro de la función, suministrando los parámetros apropiados.
Los datos para la función son la matriz de coeficientes a y el vector de constantes b de un
sistema lineal. Adicionalmente recibe un vector inicial x, el criterio de error e y el máximo de
iteraciones permitidas m. La función entrega el vector x calculado y el número de iteraciones
realizadas k. Si el método no converge, x contendrá un vector nulo y el número de iteraciones k
será igual al máximo m.

106. 100
function [x,k] = gaussseidelm(a,b,x,e,m)
n=length(x);
for k=1:m
t=x;
for i=1:n
s=a(i,1:i-1)*x(1:i-1)+a(i,i+1:n)*x(i+1:n);
x(i) = (b(i) - s)/a(i,i);
end
if norm((x-t),inf)<e
return
end
end
x=[ ];
k=m;
Ejemplo. Use la función gaussseidelm para encontrar el vector solución del ejemplo anterior con
una precisión de 0.0001 y determine cuántas iteraciones se realizaron si se comienza con el
vector inicial x=[1; 1; 1]
>> a=[5, -3, 1; 2, 4, -1; 2, -3, 8];
>> b=[5; 6; 4];
>> x=[1; 1; 1];
>> [x,k]=gaussseidelm(a,b,x,0.0001,20)
x=
1.4432
0.8973
0.4757
k=
7
5.2.4 Forma matricial del método de Gauss-Seidel
Dado el sistema de ecuaciones lineales
AX = B
La matriz A se re-escribe como la suma de tres matrices:
A=L+D+U
D es una matriz diagonal con elementos iguales a los elementos de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos iguales a
los elementos respectivos de la matriz A
U es una matriz triangular superior con ceros en la diagonal principal y los otros elementos iguales
a los elementos respectivos de la matriz A
Sustituyendo en la ecuación:
(L + D + U)X = B
LX + DX + UX = B
X = D-1B - D-1LX - D-1UX, Siempre que D-1 exista

107. 101
Ecuación recurrente con las matrices desarrolladas
 x1   b1 / a1,1   0 0 0 ... 0   x1  0 a1,2 / a1,1 a1,3 / a1,1 ... a1,n / a1,1   x1 
 x  b / a   a / a 0 0 ... 0   x 2  0 0 a2,3 / a2,2 ... a2,n / a2,2   x 2 
 2 =  2 2,2  −  2,1 2,2   −   
 :   :   : : : ... :  :  : : : ... :  : 
         

 x2    
bn / an,n   an,1 / an,n an,2 / an,n an,3 / an,n ... 
0   xn   0 0 0 ... 0   xn 
El sistema está en la forma recurrente del punto fijo X = G(X) que sugiere su uso iterativo. En el
método de Gauss-Seidel se utilizan los valores recientemente calculados del vector X.
Fórmula iterativa
X (k + 1) = − D−1LX (k + 1) − D−1UX (k) , k =
D−1B 0,1,2,...
X(0) es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X(1), X(2), ...
Si el método converge, entonces la sucesión { X(k) }k=0,1,2,.. tiende al vector solución X
Fórmula matricial iterativa del método de Gauss-Seidel:
 x1 +1)   b1 / a1,1  
(k
0 0 0
(k + 1)
... 0   x1  0 a1,2 / a1,1 a1,3 / a1,1 ... a1,n / a1,1   x1 
(k)
 (k + 1)     (k + 1)     (k) 
 x2   b2 / a2,2   a2,1 / a2,2
− 0 0 ... 0   x 2  0 0 a2,3 / a2,2 ... a2,n / a2,2   x 2 

 = :   − :  : 
 :   :   : : ... :  :  : : ... :
       (k) 
 x (k + 1)  bn / an,n   an,1 / an,n an,2 / an,n an,3 / an,n ... 0   x (k + 1)  0 0 0 ... 0   xn 
 n      n   
5.3 Método de relajación
Es un dispositivo para acelerar la convergencia (o divergencia) de los métodos iterativos
5.3.1 Formulación matemática
Se la obtiene de la fórmula de Gauss-Seidel incluyendo un factor de convergencia
i −1
ω n
xi(k + 1) = xi(k) + (bi - ∑ ai,j x (k + 1) - ∑ ai,j x (k) ); i = 1, 2, ..., n; k = 0, 1, 2, ...
j j
ai,i j= 1 j= i
0 < ω < 2 es el factor de relajación
Si ω =1 la fórmula se reduce a la fórmula iterativa de Gauss-Seidel
Ejemplo. Dadas las ecuaciones:
5x1 – 3x2 + x3 = 5
2x1 + 4x2 – x3 = 6
2x1 – 3x2 + 8x3 = 4
Formule un sistema iterativo con el método de Relajación:
x1(k+1) = x1(k) + ω /5 (5 – 5x1(k) + 3x2 (k) – x3 (k))
x2(k+1) = x2(k) + ω /4 (6 – 2x1(k+1) – 4x2(k) – x3(k))
x3 (k+1)= x3(k) + ω /8 (4 – 2x1(k+1) + 3x2(k+1) – 8x3(k))

108. 102
Realice una iteración con el vector inicial: x1(0) = x2(0) = x3(0) = 1, y con ω =1.1:
k=0:
x1(1) = x1(0) + 1.1/5 (5 – 5x1(0) + 3x2 (0) – x3 (0)) = 1 + 1.1/5 (5 – 5(1) + 3(1) – 1) = 1.4400;
x2(1) = x2(0) + 1.1/4 (6 – 2x1(1) – 4x2(0) + x3(0)) = 1 + 1.1/4 (6 – 2(1.6) – 4(1) + 1) = 1.0330
x3 (1 )= x3(0) + 1.1/8 (4 – 2x1(1) + 3x2(1) – 8x3(0)) = 1 + 1.1/8 (4 – 2(1.6) – 3(0.925) – 8(1)) = 0.4801
5.3.2 Manejo computacional de la fórmula de relajación
La siguiente función en MATLAB recibe un vector X y el factor de relajación w. Entrega un nuevo
vector X calculado en cada iteración
function x = relajacion(a,b,x,w)
n=length(x);
for i=1:n
s=a(i,1:n)*x(1:n); %Usa el vector x actualizado
x(i)=x(i)+w*(b(i)-s)/a(i,i);
end
Resuelva el ejemplo anterior usando la función relajación con k=1.2:
>> a = [5, -3, 1; 2, 4, -1;2, -3, 8];
>> b = [5; 6; 4];
>> x = [1; 1; 1]; Vector inicial
>> x=relajación(a,b,x,1.2) Repita este comando y observe la convergencia
x=
1.4800
1.0120
0.4114
>> x=relajacion(a,b,x,1.2)
x=
1.5339
0.8007
0.4179
5.3.3 Forma matricial del método de relajación
Dado el sistema de ecuaciones lineales
AX = B
La matriz A se re-escribe como la suma de las siguientes matrices:
A=L+D+S-D
D es una matriz diagonal con elementos iguales a los elementos de la diagonal principal de A
L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos iguales a
los elementos respectivos de la matriz A
S es una matriz triangular superior con todos sus elementos iguales a los elementos respectivos de
la matriz A
Sustituyendo en la ecuación:
(L + D + S - D)X = B
LX + DX + SX - D X = B
X = D-1B - D-1LX - D-1SX + D-1DX, Siempre que D-1 exista
X = X + D-1B - D-1LX - D-1SX

109. 103
Ecuación recurrente con las matrices desarrolladas
 x1   x1   b1 / a1,1   0 0 0 ... 0   x1   1 a1,2 / a1,1 a1,3 / a1,1 ... a1,n / a1,1   x1 
 x   x  b / a   a / a 0 0 ... 0   x 2  0 1 a2,3 / a2,2 ... a2,n / a2,2   x 2 
 2  = +  2 2,2  −  2,1 2,2
 2   −   
: :  :   : : : ... :   :   : : : ... :  : 
           
 x 2   x 2  bn / an,n   an,1 / an,n an,2 / an,n an,3 / an,n
   ... 0   xn  0
 0 0 ... 1   xn 
El sistema está en la forma recurrente del punto fijo X = G(X) que sugiere su uso iterativo. En el
método de Relajación se agrega un factor ω
Fórmula iterativa en forma matricial
X (k= X (k) + ω(D−1B − D−1LX (k + 1) − D−1SX (k) ), = 0,1,2,...
+ 1)
k
ω es el factor de relajación. Este factor modifica al residual tratando de reducirlo a cero con mayor
rapidez que el método de Gauss-Seidel.
Si ω =1 la fórmula iterativa se reduce a la fórmula del método de Gauss-Seidel
Si ω ∈ (0,1) se denomina método de subrelajación.
Si ω ∈ (1,2) se denomina método de sobrerelajación.
X(0) es el vector inicial. A partir de este vector se obtienen sucesivamente los vectores X(1), X(2), ...
5.4 Convergencia de los métodos iterativos para sistemas lineales
Dado el sistema de ecuaciones lineales
AX = B
Se puede re-escribir en un sistema equivalente recurrente como en el Punto Fijo: X = G(X)
X C + TX
=
En donde C es un vector y T se denomina matriz de transición
Forma iterativa de la ecuación de recurrencia:
X (k + 1) =(k) , k =
C + TX 0,1,2,...
De la resta de las ecuaciones se obtiene
X - X(k+1) = T (X - X(k))
Si se define el error de truncamiento vectorialmente entre dos iteraciones consecutivas
E(k) = X - X(k)
E(k+1) = X - X(k+1)
Sustituyendo en la ecuación anterior
E(k+1) = T E(k)
Definición
Convergencia del error de truncamiento
E(k+1) = T E(k)
En donde T es la matriz de transición

110. 104
Definición
Si A es una matriz, entonces su radio espectral se define como
ρ(A) max { λ i | λ i es un valor característico de A}
=
1≤ i ≤ n
Teorema general de convergencia
La sucesión { X(k) }k=0,1,2,.. definida con la fórmula iterativa X (k + 1) =(k) ,
C + TX k= 0,1,2,...
converge con cualquier vector inicial X (0)
∈ R al vector solución X si y solo si ρ(T) < 1
n
5.4.1 Matriz de transición para los métodos iterativos
Forma general recurrente de los métodos iterativos
X (k + 1) =(k) , k =
C + TX 0,1,2,...
Para obtener T se usará la definición de convergencia con el error de truncamiento
E(k+1) = T E(k)
Matriz de transición para el método de Jacobi
Sistema de ecuaciones lineales
AX = B
Ecuación recurrente equivalente sustituyendo A = L + D + U
X =D−1B − D−1 (L + U)X , Siempre que D-1 exista
Ecuación recurrente iterativa del método de Jacobi
X (k + 1) =D−1B − D−1 (L + U)X (k) , k =0,1,2,...
Restar las ecuaciones para aplicar la definición de convergencia: E(k+1) = T E(k)
X – X(k+1) = -D-1(L+U)(X – X(k))
E(k+1) = -D-1(L+U)E(k)
Matriz de transición:
 0 a1,2 / a1,1 a1,3 / a1,1 ... a1,n / a1,1 
a / a 0 a2,3 / a2,2 ... a2,n / a2,2 
T = −1(L + U) = 
2,1 2,2
−D −
 : : : ... : 
 
 an,1 / an,n
 an,2 / an,n an,3 / an,n ... 0 

En la matriz de transición del método de Jacobi se puede establecer una condición suficiente de
convergencia. Más débil que la condición general de convergencia:
Si la matriz de coeficientes A es de tipo diagonal dominante, entonces el método de Jacobi
converge a la solución X para cualquier vector inicia X (0) ∈ R n
Convergencia definida con el error de truncamiento
E(k+1) = T E(k)
Su norma:
|| E(k+1) || ≤ || T || || E(k) ||, k = 0, 1, 2, ...

111. 105
Esta relación define una condición suficiente para la convergencia del método de Jacobi mediante
la norma de la matriz de transición: || T ||∞ < 1
Se conoce también la relación ρ(A) ≤ || T ||∞
La forma de la matriz T establece que si en cada fila de la matriz A la magnitud de cada elemento
en la diagonal es mayor que la suma de la magnitud de los otros elementos de la fila respectiva,
entonces || T || < 1 usando la norma de fila. Si la matriz A cumple esta propiedad se dice que es
“diagonal dominante” y constituye una condición suficiente para la convergencia
n
∀i (|ai,i| > ∑ | ai,j | ) ⇒ || T || < 1
= 1,j≠i
j
Matriz de transición para el método de Gauss-Seidel
Sistema de ecuaciones lineales
AX = B
Ecuación recurrente equivalente sustituyendo A = L + D + U
X = D-1B – D-1LX – D-1UX, Siempre que D-1 exista
Ecuación recurrente iterativa del Método de Gauss-Seidel
X(k+1) = D-1B – D-1LX(k+1) – D-1UX(k)
Restar las ecuaciones para aplicar la definición de convergencia: E(k+1) = T E(k)
X – X(k+1) = -D-1L(X – X(k+1)) – D-1U(X – X(k))
E(k+1) = -D-1LE(k+1) – D-1UE(k)
E(k+1)(I + D-1L) = -D-1UE(k)
E(k+1) = (I + D-1L)-1( -D-1U)E(k)
Matriz de transición:
T = (I + D-1L)-1( -D-1U)
Matriz de transición para el método de Relajación
Sistema de ecuaciones lineales
AX = B
Ecuación recurrente equivalente sustituyendo A = L + D + S – D incluyendo el factor ω
X = X + ω D-1B - ω D-1LX - ω D-1SX, Siempre que D-1 exista
Ecuación recurrente iterativa del Método de Relajación
X(k+1) = X(k) + ω D-1B - ω D-1LX(k+1) - ω D-1SX(k)
Restar las ecuaciones para aplicar la definición de convergencia: E(k+1) = T E(k)
X – X(k+1) = X – X(k) - ω D-1L(X – X(k+1)) – ω D-1S(X – X(k))
E(k+1) = E(k) - ω D-1LE(k+1) – ω D-1SE(k)
E(k+1)(I + ω D-1L) = E(k)( I - ω D-1S)
E(k+1) = (I + ω D-1L)-1( I - ω D-1S)E(k)
Matriz de transición:
T = (I + ω D-1L)-1( I - ω D-1S)

112. 106
5.5 Eficiencia de los métodos iterativos
La fórmula del error de truncamiento expresa que la convergencia de los métodos iterativos es de
primer orden:
E(k+1) = O(E(k))
Cada iteración requiere multiplicar la matriz de transición por un vector, por lo tanto la cantidad de
operaciones aritméticas realizadas T en cada iteración es de segundo orden: T(n)=O(n2 )
Si k representa la cantidad de iteraciones que se realizan hasta obtener la precisión requerida,
entonces la eficiencia de cálculo de los métodos iterativos es: T(n) = k O(n2)
5.6 Finalización de un proceso iterativo
Si la fórmula iterativa converge, se puede escribir:
X(k) → X, si k→ ∞
X(k+1) → X, si k→ ∞
⇒ || X(k+1) - X(k) || → 0, si k → ∞
Entonces, si el método converge, se tendrá que para cualquier valor positivo ε arbitrariamente
pequeño, en alguna iteración k:
|| X(k+1) - X(k) || < ε
Se dice que el vector calculado tiene precisión ε
Para que el error se independiente de la magnitud de los resultados se puede usar la definición de
error relativo:
|| X (k + 1) − X (k) ||
< ε, en donde ε puede expresarse como porcentaje
|| X (k + 1) ||

113. 107
5.7 Práctica computacional con los métodos iterativos
Ejemplo. Dado el sistema de ecuaciones:
9x1 + 3x2 + 7x3 = 5
2x1 + 5x2 + 7x3 = 6
6x1 + 2x2 + 8x3 = 4
Determine la convergencia y resuelva con los métodos iterativos anteriores
>> a=[9 3 7; 2 5 7; 6 2 8]
a= No es diagonal dominante
9 3 7 pero pudiera ser que converja
2 5 7
6 2 8
>> b=[5;6;4]
b=
5
6
4
>> d=diag(diag(a)) matriz diagonal
d=
9 0 0
0 5 0
0 0 8
>> l=tril(a)-d matriz triangular inferior
l=
0 0 0
2 0 0
6 2 0
>> u=triu(a)-d matriz triangular superior
u=
0 3 7
0 0 7
0 0 0
>> t=-inv(d)*(l+u) Método de Jacobi
t= Matriz de transición
0 -0.3333 -0.7778
-0.4000 0 -1.4000
-0.7500 -0.2500 0
>> e=eig(t) valores característicos
e=
-1.1937
0.5969 + 0.0458i
0.5969 - 0.0458i
>> r=norm(e,inf) mayor valor característico
r=
1.1937 No converge
>> x=[1;1;1]
x=
1
1
1
>> x=jacobi(a,b,x)
x=
-0.5556
-0.6000
-0.5000

114. 108
>> t=inv((eye(3)+inv(d)*l))*(-inv(d)*u) Método de Gauss-Seidel
t= Matriz de transición
0 -0.3333 -0.7778
0 0.1333 -1.0889
0 0.2167 0.8556
>> r=norm(eig(t),inf)
r=
0.5916 Si converge
>> x=[1;1;1]
x=
1
1
1
>> x=gaussseidel(a,b,x)
x=
-0.5556
0.0222
0.9111
>> x=gaussseidel(a,b,x)
x=
-0.1605
-0.0114
0.6232
>> x=gaussseidel(a,b,x)
x=
0.0746
0.2977
0.3696
>> s=triu(a) Método de Relajación con w=0.9
s=
9 3 7
0 5 7
0 0 8
>> w=0.9;
>> t=inv(eye(3)+w*inv(d)*l)*(eye(3)-w*inv(d)*s) Matriz de transición
t=
0.1000 -0.3000 -0.7000
-0.0360 0.2080 -1.0080
-0.0594 0.1557 0.7993
>> r=norm(eig(t),inf)
r=
0.6071 Si converge
>> x=[1;1;1]
x=
1
1
1
>> x=relajacion(a,b,x,0.9)
x=
-0.4000
0.0640
0.8056

115. 109
>> x=relajacion(a,b,x,0.9)
x=
-0.1231
0.1157
0.5876
>> w=1.1; Método de relajación (w=1.1)
>> t=inv(eye(3)+w*inv(d)*l)*(eye(3)-w*inv(d)*s)
t= Matriz de transición
-0.1000 -0.3667 -0.8556
0.0440 0.0613 -1.1636
0.0704 0.2856 0.9258
>> r=norm(eig(t),inf)
r=
0.6076 Si converge
>> w=1.5; Método de relajación (w=1.5)
>> t=inv(eye(3)+k*inv(d)*l)*(eye(3)-k*inv(d)*s)
t= Matriz de transición
-0.5000 -0.5000 -1.1667
0.3000 -0.2000 -1.4000
0.4500 0.6375 1.3375
>> r=norm(eig(t),inf)
r=
0.9204 Si converge
>> w=1.6; Método de relajación (w=1.6)
>> t=inv(eye(3)+w*inv(d)*l)*(eye(3)-w*inv(d)*s)
t= Matriz de transición
-0.6000 -0.5333 -1.2444
0.3840 -0.2587 -1.4436
0.5664 0.7435 1.4708
>> r=norm(eig(t),inf)
r=
1.0220 No converge
Se puede comprobar la convergencia o divergencia llamando repetidamente a la función
relajación escrita previamente en MATLAB. Se la puede modificar incluyendo una condición para
que se repita hasta que el método converja y un conteo de iteraciones para comparar con
diferentes casos, en forma similar a la función gaussseidelm
Ejemplo
La siguiente matriz es del tipo que aparece frecuentemente en Análisis Numérico
 4 −1 −1 −1 
 −1 4 −1 −1 
a= 
 −1 −1 4 −1 
 
 −1 −1 −1 4 
Use el Teorema general de convergencia: ρ(T) < 1, para determinar cuál es el método iterativo
más favorable para realizar los cálculos con esta matriz.

116. 110
Los cálculos se realizan con MATLAB:
>> a=[4 -1 -1 -1; -1 4 -1 -1;-1 -1 4 -1; -1 -1 -1 4]
a=
4 -1 -1 -1
-1 4 -1 -1
-1 -1 4 -1
-1 -1 -1 4
>> d=diag(diag(a));
>> l=tril(a)-d;
>> u=triu(a)-d;
>> s=triu(a);
>> t=-inv(d)*(l+u); Método de Jacobi
>> rjacobi=norm(eig(t),inf)
rjacobi =
0.7500
>> t=inv((eye(4)+inv(d)*l))*(-inv(d)*u); Método de Gauss-Seidel
>> rgaussseidel=norm(eig(t),inf)
rgaussseidel =
0.5699
>> w=0.9;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s); Método de Relajación
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.6438
>> w=1.1;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.4754
>> w=1.2;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.3312
>> w=1.3;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.3740
>> w=1.4;
>> t=inv(eye(4)+w*inv(d)*l)*(eye(4)-w*inv(d)*s);
>> rrelajacion=norm(eig(t),inf)
rrelajacion =
0.4682
Estos resultados muestran que para esta matriz, los tres métodos convergerían. La convergencia
será más rápida si se usa el método de relajación con w = 1.2. Se puede verificar realizando las
iteraciones con las funciones respectivas escritas en MATLAB

117. 111
5.8 Ejercicios y problemas con sistemas de ecuaciones lineales
Métodos directos
1. Dado el sistema lineal de ecuaciones:
3x 1 − x 3 = 5
αx 1 + 2x 2 − x 3 = 2
− x 1 + x 2 + (α + 1)x 3 = 1
Indique para cuales valores de α el sistema tiene una solución
2. Dado el sistema [ai, j] x = [bi], i, j = 1, 2, 3
Siendo ai, j = i/(i + j), bi = 2i
a) Escriba el sistema de ecuaciones lineales correspondiente
b) Resuelva el sistema con el Método de Gauss-Jordan
3. Los puntos (x, y): (1, 3), (2,5), (4,2), (5, 4) pertenecen a la siguiente función:
f(x) = a1x2 + a2 e0.1x + a3 x + a4
a) Escriba el sistema de ecuaciones con los puntos dados,
b) Resuelva el sistema con el Método de Gauss usando la estrategia de pivoteo con 4 decimales
4. Demuestre mediante un conteo que la cantidad de multiplicaciones que requiere el método de
directo de Gauss-Jordan para resolver un sistema de n ecuaciones lineales es n3/2 + O(n2) y que
para el Método de Gauss es n3/3 + O(n2)
Sistemas mal condicionados
1. Considere la matriz de los coeficientes del ejercicio 3 de la sección anterior
a) Use el método de Gauss-Jordan para encontrar la matriz inversa
b) Calcule el número de condición. ¿Es una matriz mal condicionada?
2. Dado el siguiente sistema de ecuaciones
 1 1/ 2 1/ 3   x1   4 
1/ 4 1/ 5 1/ 6   x  =  5 
  2  
1/ 7 1/ 8 1/ 9   x 3   6 
    
a) Resuelva el sistema usando el método de Gauss-Jordan. Simultáneamente encuentre la
inversa de la matriz
b) Modifique la matriz de coeficientes sustituyendo el valor de elemento a1,1 con el valor 0.9
Resuelva nuevamente el sistema. Encuentre la variación en la solución calculada.
c) Obtenga el número de condición de la matriz original.
d) Suponga que el error en los coeficientes no excede a 0.01. Use la definición indicada para
encontrar una cota para el error en la solución

118. 112
3. Dado el siguiente sistema de ecuaciones
2 5 4   x1  35 
3 9 8   x  = 65 
  2  
2 3 1  x 3  17 
    
a) Obtenga la solución con un método directo
b) En la matriz de coeficientes sustituya 5 por 5.1 y obtenga nuevamente la solución con un
método directo y compare con la solución del sistema original
c) Encuentre el error relativo de la solución y compare con el error relativo de la matriz. Comente
acerca del tipo de sistema
Sistemas singulares
1. Una empresa produce semanalmente cuatro productos: A, B, C, D usando tres tipos de
materiales M1, M2, M3. Cada Kg. de producto requiere la siguiente cantidad de cada material,
en Kg.:
P1 P2 P3 P4
M1 0.1 0.3 0.6 0.4
M2 0.2 0.6 0.3 0.4
M3 0.7 0.1 0.1 0.2
La cantidad disponible semanal de cada material es: 100, 120, 150 Kg. respectivamente, los
cuales deben usarse completamente. Se quiere analizar la estrategia de producción.
a) Formule un sistema de ecuaciones lineales siendo x1, x2, x3, x4 cantidades en Kg. producidas
semanalmente de los productos A, B, C, D respectivamente
b) Obtenga una solución con la función slin y re-escriba el sistema de ecuaciones resultante.
c) Escriba el conjunto solución expresado mediante la variable libre.
d) Encuentre el rango factible para la variable libre
e) Encuentre el rango factible para las otras variables
f) Defina cuatro casos de producción eligiendo un valor para cada una de las cuatro variables y
estableciendo el nivel de producción para las restantes variables.
2. Use la función slin para resolver el siguiente sistema. Identifique las variables libres. Escriba
el conjunto solución en términos de la variable libre. Asigne un valor a la variable libre y
determine el valor de cada una de las otras variables:
Métodos iterativos
1. Determine si el sistema de ecuaciones lineales obtenido con la siguiente fórmula converge a la
solución con el Método de Jacobi
3kX k-1 - 6kX k + 2kX k + 1 = 2k -1
X0 = -3, Xn = 4, k=1, 2, 3, ..., n -1, n>3

119. 113
 2 X1 − X 3 =
1
2. Sea el sistema lineal de ecuaciones:  β X 1 + 2 X 2 − X 3 =
 2
− X + X + α X =
 1 2 3 1
a) ¿Para que valores de α y β se puede asegurar la convergencia con el método de Jacobi?
b) Realice 3 iteraciones del método de Jacobi, con X(0) = [1, 2, 3]T usando valores de α y β que
aseguren la convergencia.
3. Dado el sistema siguiente. Reordene las ecuaciones tratando de acercarlo a la forma
“diagonal dominante”.
4x1 + 2x 2 + 5x 3 =
18.00
2x1 + 5x 2 + x 3 =
27.30
2x1 + 4x 2 + 3x 3 =
16.20
a) Escriba la matriz de transición del método de Jacobi y determine si se cumple la condición
suficiente de convergencia al ser de tipo ”diagonal dominante”.
b) Determine si la matriz de transición de Jacobi cumple la condición general de convergencia.
Puede calcular los valores característicos con la función eig de MATLAB
c) Escriba la matriz de transición del método de Gauss-Seidel y verifique que cumple la condición
general de convergencia. Puede calcular los valores característicos con la función eig de
MATLAB
b) Use la función Gauss-Seidel para realizar 15 iteraciones. Comente los resultados obtenidos.
PROBLEMAS
En cada problema plantee un sistema de ecuaciones lineales para determinar los coeficientes y
resuelva el sistema lineal con un método directo. Muestre las transformaciones matriciales.
1. Para estudiar las propiedades de tres de tipos de materiales: X, Y, Z se combinarán tres
ingredientes: A, B, C. de los cuales se tienen 4.9, 6.0, 4.8 Kg. respectivamente.
Cada Kg. del material X usa 0.3, 0.2, 0.5 Kg de ingredientes A, B, C respectivamente
Cada Kg. del material Y usa 0.4, 0.5, 0.1 Kg de ingredientes A, B, C respectivamente
Cada Kg. del material Z usa 0.25, 0.4, 0.35 Kg de los ingredientes A, B, C respectivamente
Encuentre la cantidad en Kg que se obtendrá de cada tipo de material, estableciéndose como
requisito que debe usarse toda la cantidad disponible de los tres ingredientes en las mezclas.
2. Un comerciante compra tres productos: A, B, C. Estos productos se venden por peso en Kg.
pero en las facturas únicamente consta el total que debe pagar. El valor incluye el impuesto a las
ventas y supondremos, por simplicidad que es 10%. El comerciante desea conocer el precio
unitario de cada artículo, para lo cual dispone de tres facturas con los siguientes datos:
Factura Kg. de A Kg. de B Kg. de C Valor pagado
1 4 2 5 $19.80
2 2 5 8 $30.03
3 2 4 3 $17.82

120. 114
3. La distribución de dinero a 16 comunidades se describe en el siguiente cuadro. No fue posible
contactar a cinco comunidades X1, X2, X3, X4, X5 por lo que se decidió asignar a ellas el
promedio del valor asignado a las comunidades que están a su alrededor, por ejemplo, X1
recibirá el promedio de 30 + X2 + X3 + 45 + 50.
Determine cuales son los valores que serán asignados a estas cinco comunidades.
50 X1 30 40
45 X3 X2 25
60 X4 X5 10
55 20 15 35
4. Suponga que en el siguiente modelo f(x) describe la cantidad de personas que son
infectadas por un virus, en donde x es tiempo en días:
f(x) = k1 x + k2 x2 + k3 e0.15X
En el modelo k1 , k2 y k3 son coeficientes que deben determinarse.
Se conoce la cantidad de personas infectadas en los días 10, 15 y 20:
f(10)=25, f(15)=130, f(20)=650
Plantee un sistema de ecuaciones lineales para determinar los coeficientes y use la solución
para definir el modelo f(x) para determinar en cual día la cantidad de personas infectadas por el
virus será 10000. Muestre el gráfico de la ecuación y los valores intermedios calculados.
5. En una región se desean instalar tres nuevos distribuidores X1, X2, X3 de un producto. En las
cercanías ya existen otros distribuidores: A, B, C, D, E, F, G del mismo producto. En el gráfico,
los círculos indican el precio de venta del producto en cada distribuidor. Las líneas indican con
que otros distribuidores están directamente conectados. Determine el precio de venta que deben
establecer los distribuidores x1, x2, x3, de tal manera que sean el promedio de los precios de los
distribuidores con los que están directamente conectados.

121. 115
6. Las cerchas son estructuras reticuladas con elementos triangulares, usualmente metálicas,
que se utilizan para soportar grandes cargas. Es importante conocer las fuerzas que actúan en
cada nodo. Para ello se plantean ecuaciones de equilibrio de fuerzas verticales y horizontales
para cada nodo, las cuales conforman un sistema de ecuaciones lineales.
Determine las fuerzas que actúan en cada nodo en la siguiente cercha con las cargas verticales,
en Kg, especificadas en los nodos 2 y 4. La cercha está sostenida en los nodos 1 y 5:
F1, F2, F3, F4, F5, F6, F7 son las fuerzas en los elementos que actúan para mantener la
estructura unida, juntando los nodos y evitando que se separen. Sus valores son desconocidos.
Se convendrá que si las fuerzas en cada nodo actúan hacia la derecha y hacia arriba tienen
signo positivo. H es la fuerza horizontal y V1, V2 son las fuerzas verticales que soportan la
estructura. Sus valores son desconocidos.
Ecuaciones de equilibrio en cada nodo:
Nodo 1: V1 + F1 sen(45º) = 0
H + F1 cos(45º) + F2 = 0
Nodo 2: -F1 sen(45º) – F3 sen(70º) – 250 = 0
-F1 cos(45º) + F4 + F3 cos(70º) = 0
Nodo 3: F3 sen(70º) + F5 sen(60º) = 0
-F2 – F3 cos(70º) + F5 cos(60º) + F7 = 0
Nodo 4: -F5 sen(60º) – F6 sen(70º) – 250 = 0
-F4 - F5 cos(60º) + F6 cos(70º) = 0
Nodo 5: V2 + F6 sen(70º) = 0
-F7 – F6 cos(70º) = 0
Use una de las funciones instrumentadas en MATLAB para obtener la solución.

122. 116
7. Se desea conocer la corriente i que fluye en un circuito que incluye una fuente de voltaje V y
resistencias R como se indica en el gráfico:
El análisis se basa en leyes básicas de la física:
a) La suma de la caída de voltaje en un circuito cerrado es cero
b) El voltaje a través de una resistencia es el producto de su magnitud multiplicado por el valor
de la corriente.
Para determinar el valor de la corriente en cada uno de los ciclos cerrados se conviene que la
corriente es positiva si el sentido es opuesto al sentido del reloj.
Circuito cerrado a la izquierda: 10 i1 + 20 i1 – 10 i2 – 20 i3 = 0
Circuito cerrado arriba a la derecha: 30 i2 + 20 i2 – 10 i1 = 0
Circuito cerrado abajo a la derecha: 20 i3 + 40 i3 – 20 i2 = 120
Obtenga la solución con el método de Gauss

123. 117
6 INTERPOLACIÓN
Para introducir este capítulo se analiza un problema para el cual se requiere como modelo un
polinomio de interpolación.
Problema. La inversión en la promoción para cierto producto en una región ha producido los
siguientes resultados:
(x, f): (5, 1.2), (10, 2.5), (15, 4.3), (20, 4.0)
En donde x: tiempo invertido en la promoción del producto en horas
f: porcentaje de incremento en las ventas del producto
Se desea usar los datos para determinar la cantidad óptima de horas deberían invertirse en
regiones similares para maximizar la eficiencia de las ventas.
Análisis
Con los datos obtenidos se debe construir alguna función que permita obtener la respuesta y
también estimar el error en el resultado.
6.1 El Polinomio de Interpolación
La interpolación es una técnica matemática que permite describir un conjunto de puntos mediante
alguna función. Adicionalmente, tiene utilidad cuando se desea aproximar una función por otra
función matemáticamente más simple.
Dados los puntos (xi, fi), i = 0, 1, 2, . . ., n que pertenecen a alguna función f que supondremos
desconocida pero diferenciable, se debe encontrar alguna función g para aproximarla.
La función g debe incluir a los puntos dados: g(xi) = fi, i = 0, 1, 2, . . . , n
Por simplicidad se elegirá como función g, un polinomio de grado no mayor a n:
g(x) = pn (x) = a0 xn +a1xn −1 +. . .+an-1x+an
Este polinomio p se denomina polinomio de interpolación
Primero se establecerán algunos fundamentos básicos relacionados con el polinomio de
interpolación.

124. 118
6.1.1 Existencia del polinomio de interpolación
El polinomio de interpolación p debe incluir a cada punto dado:
x=x0: pn (x 0 ) = a 0 xn +a1xn −1 +. . .+an-1x 0 +an = f0
0 0
x=x1: pn (x1 ) = a0 x1 +a1xn −1 +. . .+an-1x1 +an = f1
n
1
...
x=xn: pn (xn ) = a 0 xn +a1xn −1 +. . .+an-1xn +an = fn
n
n
Expresado en notación matricial
 xn xn −1 ... x 0 1   a0   f0 
0 0
 n    
 x1 x1 − 1 ... x1 1   a1   f1 
n
=
 ... ... ... ... ...  ...  ...
 n n−1
   
 xn xn
 ... xn 1   an   fn 

La matriz de los coeficientes es muy conocida y tiene nombre propio: Matriz de Vandermonde.
Su determinante se lo puede calcular con la siguiente fórmula. La demostración puede ser hecha
con inducción matemática.
 xn xn −1 ... x 0 1 
0 0
 n 
x1 xn −1 ... x1 1  n
Sea D=  1
entonces | D | = ∏ (x j - xi )
 ... ... ... ... ... = 0,j< i
j
 n n−1

 xn xn
 ... xn 1 

Ejemplo. Calcule el determinante de la matriz de Vandermonde con n=2
 x 2 x 0 1
0
 2  2
D =  x1 x1 1 ⇒ | D | = ∏ (x j - xi ) = (x0 - x1)(x0 - x2)(x1 - x2)
 x 2 x 2 1 = 0,j< i
j
 2 
De la definición anterior, se concluye que el determinante de esta matriz será diferente de cero si
los valores de X dados no están repetidos. Por lo tanto, una condición necesaria para la existencia
del polinomio de interpolación es que las abscisas de los datos dados sean diferentes entre si.
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
a) Encuentre y grafique el polinomio de interpolación que los incluye.
Con la definición anterior y usando un método directo se obtiene:
 22 2 1  a0  5   a0  -1.1666 
 2 
 4 4 1  a1  =  6  ⇒  a1  =  7.5 
       
 52 5 1  a2   3   a2  -5.3333 
   
    

125. 119
b) Calcule el número de condición de la matriz.
 22 2 1
 
D=  42 4 1 ⇒ cond(D) = 341 ⇒ D es una matriz mal condicionada
 52 5 1
 
En general, la matriz de Vandermonde es una matriz mal condicionada, por lo tanto la solución
obtenida es muy sensible a los errores en los datos y los cálculos involucran el uso de algoritmos
de tercer orden: T(n)=O(n3)
Existen métodos para encontrar el polinomio de interpolación que no utilizan la matriz anterior y
tienen mejor eficiencia.
6.1.2 Unicidad del polinomio de interpolación con diferentes métodos
Dados los datos (xi, fi), i = 0, 1, 2, . . ., n, el polinomio de interpolación que incluye a todos los
puntos es único.
Demostración
Suponer que usando los mismos datos y con métodos diferentes se han obtenido dos polinomios
de interpolación: p(x), y q(x). Ambos polinomios deben incluir a los puntos dados:
p(xi) = fi , i=0, 1, 2, . . ., n
q(xi) = fi , i=0, 1, 2, . . ., n
Sea la función h(x) = p(x) - q(x). Esta función también debe ser un polinomio y de grado no mayor
a n. Al evaluar la función h en los puntos dados se tiene:
h(xi) = p(xi) - q(xi) = fi - fi = 0, i=0, 1, 2, . . ., n
Esto significaría que el polinomio h cuyo grado no es mayor a n tendría n+1 raíces, contradiciendo
el teorema fundamental del álgebra. La única posibilidad es que la función h sea la función cero,
por lo tanto, ∀x∈ℜ[h(x)=0] ⇒ ∀x∈ℜ[p(x)-q(x)=0] ⇒ ∀x∈ℜ[p(x) = q(x)]

126. 120
6.2 El polinomio de interpolación de Lagrange
Dados los datos (xi, fi), i = 0, 1, 2, . . ., n. La siguiente fórmula permite obtener el polinomio de
interpolación:
Definición: Polinomio de Interpolación de Lagrange
n
pn (x) = ∑ fi Li (x)
i=0
.
x-x j
n
Li (x) = ∏ , i = 0, 1, . . . , n
j=0,j≠ i xi -x j
Para probar que esta definición proporciona el polinomio de interpolación, la expresamos en forma
desarrollada:
pn (x) = f0L0 (x) + f1L1 (x) + . . . + fi-1Li −1 (x) + fiLi (x) + fi+1Li + 1 (x) + . . . + fnLn (x) (1)
(x-x 0 )(x-x1 ) . . . (x-xi-1 )(x-xi+1 ) . . . (x-x n )
Li (x) = , i=0,1,...,n (2)
(xi -x 0 )(xi -x1 ) . . . (xi -xi-1 )(xi -xi+1 ) . . . (x i -x n )
De la definición (2):
Li (xi ) = 1, i=0,1,...,n (Por simplificación directa)
Li (xk ) = 0 , k=0,1,...,n; k ≠ i , (Contiene un factor nulo para algún j = 0, 1, . . . , n; j≠i)
Sustituyendo en la definición (1) de pn(x) se obtiene directamente:
pn (xi ) = fi ; i = 0, 1, . . . , n
Por otra parte, cada factor Li(x) es un polinomio de grado n, por lo tanto pn(x) también será un
polinomio de grado n con lo cual la demostración está completa.
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
Con la fórmula de Lagrange, encuentre el polinomio de interpolación que incluye a estos puntos.
2
p2 (x) = ∑ fL (x) = f L
i=0
i i 0 0 (x) + f1L1 (x) + f2L2 (x) = 5L0 (x) + 6L1 (x) + 3L2 (x)
2 (x-x j )
Li (x) = ∏
j=0,j ≠ i (xi -x j )
, i=0, 1, 2
2 (x-x j ) (x-x1 )(x-x 2 ) (x-4)(x-5) x 2 - 9x+20
L0 (x) = ∏
j=0,j ≠ 0 (x 0 -x j )
=
(x 0 -x1 )(x 0 -x 2 )
=
(2-4)(2-5)
=
6
2 (x-x j ) (x-x 0 )(x-x 2 ) (x-2)(x-5) x 2 - 7x+10
L1 (x) = ∏
j=0,j ≠ 1 (x1 -x j )
=
(x1 -x 0 )(x1 -x 2 )
=
(4-2)(4-5)
=
-2
2 (x-x j ) (x-x 0 )(x-x1 ) (x-2)(x-4) x 2 - 6x+8
L2 (x) = ∏
j=0,j ≠ 2 (x 2 -x j )
=
(x 2 -x 0 )(x 2 -x1 )
=
(5-2)(5-4)
=
3
Sustituir en el polinomio y simplificar:
x 2 - 9x+20 x 2 - 7x+10 x 2 - 6x+8 7 15 16
p2 (x) = 5( ) + 6( ) + 3( ) = - x2 + x-
6 -2 3 6 2 3
Se puede verificar que este polinomio incluye a los tres puntos dados.

127. 121
Si únicamente se desea evaluar el polinomio de interpolación, entonces no es necesario obtener
las expresiones algebraicas Li(x). Conviene sustituir desde el inicio el valor de x para obtener
directamente el resultado numérico.
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3)
Con la fórmula de Lagrange, evalúe en x = 3, el polinomio de interpolación que incluye a estos tres
puntos dados.
2
p2 (3) = ∑ fL (3) = f L
i=0
i i 0 0 (3) + f1L1 (3) + f2L2 (3) = 5L0 (3) + 6L1 (3) + 3L2 (3)
2 (3-x j )
Li (3) = ∏
j=0,j ≠ i (xi -x j )
, i=0, 1, 2
2 (3-x j ) (3-x1 )(3-x 2 ) (3-4)(3-5)
L0 (3) = ∏
j=0,j ≠ 0 (x 0 -x j )
=
(x 0 -x1 )(x 0 -x 2 )
=
(2-4)(2-5)
=1/3
2 (3-x j ) (3-x 0 )(3-x 2 ) (3-2)(3-5)
L1 (3) = ∏
j=0,j ≠ 1 (x1 -x j )
=
(x1 -x 0 )(x1 -x 2 )
=
(4-2)(4-5)
=1
2 (3-x j ) (3-x 0 )(3-x1 ) (3-2)(3-4)
L2 (3) = ∏
j=0,j ≠ 2 (x 2 -x j )
=
(x 2 -x 0 )(x 2 -x1 )
=
(5-2)(5-4)
= -1/3
Finalmente se sustituyen los valores dados de f
p2 (3) = 5(1/3) + 6(1) + 3(-1/3) = 20/3
6.2.1 Eficiencia del método de Lagrange
La fórmula de Lagrange involucra dos ciclos anidados que dependen del número de datos n:
n
pn (x) = ∑ fi Li (x)
i=0
n x-x j
Li (x) = ∏
j=0,j≠ i x -x
, i = 0, 1, . . . , n
i j
La evaluación de esta fórmula es un método directo que incluye un ciclo para sumar n+1 términos.
Cada factor Li(x) de esta suma requiere un ciclo con 2n multiplicaciones, por lo tanto, la eficiencia
de este algoritmo es T(n) = 2n(n+1) = O(n2), significativamente mejor que el método matricial que
involucra la resolución de un sistema lineal cuya eficiencia es T(n) = O(n3).

128. 122
6.2.2 Instrumentación computacional
La siguiente función recibe los puntos dados y entrega el polinomio de interpolación en forma
algebraica usando la fórmula de Lagrange. Opcionalmente, si la función recibe como parámetro
adicional el valor a interpolar, el resultado entregado es un valor numérico, resultado de la
interpolación.
x, f: puntos base para la interpolación
v: valor para interpolar (parámetro opcional). Puede ser un vector
function p = lagrange(x, f, v)
n=length(x);
syms t; %Variable para el polinomio
p=0;
for i=1:n
L=1;
for j=1:n
if i ~= j
L=L*(t-x(j))/(x(i)-x(j));
end
end
p=p+L*f(i); %entrega p(t) en forma simbólica
end
p=expand(p); %simplificación algebraica
if nargin==3 %verifica si existe un parámetro adicional
t=v;
p=eval(p); % entrega el resultado de p evaluado en v
end
Esta instrumentación es una oportunidad para explorar algunas de las características interesantes
de MATLAB paral manejo matemático simbólico:
Ejemplo. Use la función Lagrange para el ejemplo anterior:
>> x = [2, 4, 5]; Datos
>> f = [5, 6, 3];
>> p=lagrange(x, f) Obtención del polinomio de interpolación
p=
-7/6*t^2+15/2*t-16/3
>> r=lagrange(x, f, 4) Evaluar p en un punto dado
r=
6
>> r=lagrange(x, f, 4.25) Evaluar p en un punto desconocido
r=
5.4687
>> plot(x, f, 'o'), grid on Graficar los puntos
>> hold on, ezplot(p, [2, 5]) Graficar el polinomio sobre los puntos

129. 123
Encuentre el valor de x para el cual p(x) = 4:
>> g=p-4 (ecuación que debe resolverse: g(x) = p(x)-4 = 0)
g=
-7/6*t^2+15/2*t-28/3
>> s=eval(solve(g)) (obtener la solución con un método MATLAB)
s=
4.7413
1.6873
Encuentre el valor máximo de p(x):
>> p=lagrange(x,f)
p=
-7/6*t^2+15/2*t-16/3
>> g=diff(p) (ecuación que debe resolverse: g(x)=p’(x)=0)
g=
-7/3*t+15/2
>> t=eval(solve(g)) (obtener la solución con un método MATLAB)
t=
3.2143
>> r=lagrange(x,f,t)
r=
6.7202 (coordenadas del máximo (t, r))

130. 124
6.3 Interpolación múltiple
Se puede extender la interpolación a funciones de más variables. El procedimiento consiste en
interpolar en una variable, fijando los valores de las otras variables y luego combinar los
resultados. En esta sección se usará el polinomio de Lagrange en un ejemplo que contiene datos
de una función que depende de dos variables. No es de interés encontrar la forma analítica del
polinomio de interpolación que tendría términos con más de una variable.
Ejemplo. Se tienen tabulados los siguientes datos f(x,y) de una función f que depende de las
variables independientes x, y. Se deben usar todos los datos disponibles para estimar mediante
interpolación polinomial el valor de f(3,12)
y
5 10 15 20
x
2 3.7 4.2 5.8 7.1
4 4.1 5.3 6.1 7.9
6 5.6 6.7 7.4 8.2
Primero interpolamos para x=3 con los datos de cada columna y = 5, 10, 15, 20. Debe usarse un
polinomio de segundo grado pues hay tres datos en la dirección x:
2
p2 (x) = ∑ fL (x) = f L
i=0
i i 0 0 (x) + f1L1 (x) + f2L2 (x) ;
2 (x-x j )
Li (x) = ∏
j=0,j ≠ i (xi -x j )
, i=0, 1, 2
No se requiere la forma algebraica. Se sustituye directamente el valor para interpolar x=3.
2 (3-x j ) (3-x1 )(3-x 2 ) (3-4)(3-6)
L0 (3) = ∏
j=0,j ≠ 0 (x 0 -x j )
=
(x 0 -x1 )(x 0 -x 2 )
=
(2-4))(2-6)
= 3/8
2 (3-x j ) (3-x 0 )(3-x 2 ) (3-2)(3-6)
L1 (3) = ∏
j=0,j ≠ 1 (x1 -x j )
=
(x1 -x 0 )(x1 -x 2 )
=
(4-2))(4-6)
= 3/4
2 (3-x j ) (3-x 0 )(3-x1 ) (3-2)(3-4)
L2 (3) = ∏
j=0,j ≠ 2 (x1 -x j )
=
(x 2 -x 0 )(x 2 -x1 )
=
(6-2))(6-4)
= -1/8
Polinomio de interpolación para cada columna y = 5, 10, 15, 20:
p2 (3) = f0L0 (3) + f1L1 (3) + f2L2= f0 (3 / 8) + f1 (3 / 4) + f2 (−1/ 8)
(3)
Los valores de Li(3) son los mismos para cada columna y:
Se sustituyen los valores de cada columna:
y=5: p2 (3) = 3.7(3 / 8) + 4.1(3 / 4) + 5.6( −1/ 8) =
3.7625
y=10: p2 (3) = 4.2(3 / 8) + 5.3(3 / 4) + 6.7( −1/ 8) =
4.7125
y=15: p2 (3) = 5.8(3 / 8) + 6.1(3 / 4) + 7.4( −1/ 8) =
5.8250
y=20: p2 (3) = 7.1(3 / 8) + 7.9(3 / 4) + 8.2( −1/ 8) =
7.5625

131. 125
Con los cuatro resultados se interpola en y = 12 con un polinomio de tercer grado:
y
5 10 15 20
x
3 3.7625 4.7125 5.8250 7.5625
3
p3 (y) = ∑ fL (y) = f L
i=0
i i 0 0 (y) + f1L1 (y) + f2L2 (y) + f3L3 (y) ;
3 (y-y j )
Li (y) = ∏
j=0,j ≠ i (yi -y j )
, i=0, 1, 2, 3
Se sustituye directamente el valor para interpolar con la otra variable: y = 12
3 (12-y j ) (12-y1 )(12-y2 )(12-y3 ) (12-10)(12-15)(12-20)
L0 (12) = ∏
j=0,j ≠ 0 (y0 -y j )
=
(y0 -y1 )(y0 -y2 )(y0 -y3 )
=
(5-10)(5-15)(5-20)
= -8/125
3 (12-y j ) (12-y0 )(12-y2 )(12-y3 ) (12-5)(12-15)(12-20)
L1 (12) = ∏
j=0,j ≠ 1 (y1 -y j )
=
(y1 -y0 )(y1 -y2 )(y1 -y3 )
=
(10-5)(10-15)(10-20)
= 84/125
3 (12-y j ) (12-y0 )(12-y1 )(12-y3 ) (12-5)(12-10)(12-20)
L2 (12) = ∏
j=0,j ≠ 2 (y2 -y j )
=
(y2 -y0 )(y2 -y1 )(y0 -y3 )
=
(15-5)(15-10)(15-20)
= 56/125
3 (12-y j ) (12-y0 )(12-y1 )(12-y2 ) (12-5)(12-10)(12-15)
L3 (12) = ∏
j=0,j ≠ 3 (y2 -y j )
=
(y3 -y0 )(y3 -y1 )(y3 -y2 )
=
(20-5)(20-10)(20-15)
= -7/125
Resultado final:
y=12: p3 (12) = f0L0 (12) + f1L1 (12) + f2L2 (12) + f3L3 (12)
= (3.7625)(-8/125) + (4.7125)(84/125) + (5.8250)(56 / 125) + (7.5625)(-7 / 125) = 5.1121
f(3, 12) ≅ 5.1121

132. 126
6.3.1 Instrumentación computacional
Para interpolar en dos o más variable, se puede usar la función lagrange para interpolar en una
variable. Al aplicarla en cada dirección se obtienen los resultados parciales. Interpolando con estos
resultados producirá el resultado final.
Para el ejemplo anterior:
>> x = [2, 4, 6]; Interpolaciones parciales en x para cada columna de y
>> f = [3.7, 4.1, 5.6];
>> r1 = lagrange(x, f, 3);
>> f = [4.2, 5.3, 6.7];
>> r2 = lagrange(x, f, 3);
>> f = [5.8, 6.1, 7.4];
>> r3 = lagrange(x, f, 3);
>> f = [7.1, 7.9, 8.2];
>> r4 = lagrange(x, f, 3);
>> y = [5, 10, 15, 20]; Interpolación en y con los resultados parciales
>> f = [r1, r2, r3, r4];
>> p = lagrange(y, f, 12)
p= Resultado final
5.1121
Si se planea usar este tipo de interpolación con frecuencia, conviene instrumentar una función en
MATLAB para interpolar en dos dimensiones con la fórmula de Lagrange.
Esta función se llamará lagrange2, y usará internamente a la función lagrange para interpolar con
una variable, y con los resultados realizar la interpolación con la otra variable.
Sean:
x,y: vectores con valores de las variables independientes X, Y
f: matriz con los datos de la variable dependiente organizados en filas
u,v: valores para los cuales se realizará la interpolación en x e y respectivamente
function p=lagrange2(x, y, f, u, v)
[n,m]=size(f);
for i=1:m
r(i)=lagrange(x, f(:, i), u); % cada columnas es enviada (resultados parciales)
end
p=lagrange(y, r, v); % interpolación final en la otra dirección
Ejemplo. Use la función lagrange2 para encontrar la respuesta en el ejemplo anterior
>> x=[2, 4, 6];
>> y=[5, 10, 15, 20];
>> f=[3.7, 4.2, 5.8, 7.1; 4.1, 5.3, 6.1, 7.9; 5.6, 6.7, 7.4, 8.2];
>> p=lagrange2(x, y, f, 3, 12)
p=
5.1121 Resultado final

133. 127
6.4 Error en la interpolación
Para entender este concepto usaremos un polinomio de interpolación para aproximar a una función
conocida. Así puede determinarse en forma exacta el error en la interpolación.
Ejemplo. Suponga que se desea aproximar la función f(x)=ex, 0≤x≤2, con un polinomio de
segundo grado.
Para obtener este polinomio tomamos tres puntos de la función f: (0, e0), (1, e1), (2, e2) y usamos
la fórmula de Lagrange para obtener el polinomio de interpolación, con cinco decimales:
p2(x) = 1.4762x2 + 0.24204x+1
a) Encuentre el error en la aproximación cuando x = 0.5
Si se aproxima f(x) con p2(x) se introduce un error cuyo valor es f(x) – p2(x)
f(0.5) – p2(0.5) = e0.5 – 1.4762(0.5)2 – 0.24204(0.5) –1 = 0.1587
b) Encuentre el máximo error en la aproximación
Si se desea conocer cual es el máximo error en la aproximación, se debe resolver la ecuación
d
(f(x) − p2 (x)) = 0 ⇒ e – 2.9524x – 0.2420 = 0
x
dx
Con un método numérico se encuentra que el máximo ocurre cuando x = 1.6064.
Entonces el máximo valor del error es: f(1.6064) – p2(1.6064) = –0.2133
En general, dados los puntos (xi, fi), i=0, 1, ..., n, siendo f desconocida
Sea pn(x) el polinomio de interpolación, es decir el polinomio tal que pn(xi) = fi , i=0, 1, ..., n
Suponer que se desea evaluar f en un punto t usando pn como una aproximación:
f(t) ≅ pn(t), t ≠ xi, i=0, 1, ..., n
Definición. Error en la interpolación
En(t) = f(t) - pn(t)

134. 128
Representación gráfica del error en la interpolación
pn(t)
...
f(t)
Siendo f desconocida, no es posible conocer el error pues el valor exacto f(t) es desconocido.
Únicamente se tiene el valor aproximado pn(t). Pero es importante establecer al menos alguna
expresión para estimar o acotar el valor del error En(t). En los puntos dados En(xi) = 0, i=0,1, ..., n
6.4.1 Una fórmula para estimar el error en la interpolación
En las aplicaciones comunes, únicamente se conocen puntos de la función f, siendo igualmente
importante estimar la magnitud del error al usar el polinomio de interpolación. A continuación se
desarrolla un procedimiento para estimar el error
n
Sean g(x) = ∏ (x − x ) = (x-x0)(x-x1) ... (x-xn),
i=0
i g es un polinomio de grado n+1
h(x) = f(x) – pn(x) – g(x)En(t)/g(t). h es una función con las siguientes propiedades
1) h es diferenciable si suponemos que f es diferenciable
2) h(t) = 0
3) h(xi) = 0, i = 0, 1, ..., n
Por lo tanto, h es una función diferenciable y la ecuación
h(x) = 0 tiene n+2 ceros en el intervalo [x0, xn]
Aplicando sucesivamente el Teorema de Rolle:
h(n+1)(x) = 0 tiene al menos 1 cero en el intervalo [x0, xn]
Sea z∈[x0, xn] el valor de x tal que h(n+1)(z) = 0
Derivando formalmente la función h:
h(n+1)(x) = f(n+1)(x) – 0 – (n+1)! En(t)/g(t)
Al evaluar esta función con x=z:
h(n+1)(z) = f(n+1)(z) – 0 – (n+1)! En(t)/g(t) = 0
Se obtiene finalmente:
En(t) = g(t) f(n+1)(z)/(n+1)!, t≠xi, z∈[x0, xn]
Definición. Fórmula para estimar el error en el polinomio de interpolación
En(x) = g(x) f(n+1)(z)/(n+1)!, x≠xi, z∈[x0, xn ]
n
Siendo g(x) = ∏ (x − x )
i=0
i = (x-x0)(x-x1) ... (x-xn)
Para utilizar esta fórmula es necesario poder estimar el valor de f(n+1)(z).
En el siguiente capítulo se introduce una técnica para estimar f(n+1)(z) usando los puntos de f.

135. 129
6.5 Diferencias finitas
Las siguientes definiciones establecen algunas relaciones simples entre los puntos dados. Estas
definiciones tienen varias aplicaciones en análisis numérico.
Suponer que se tienen los puntos (xi, fi), i=0, 1, ..., n, tales que las abscisas están espaciadas
regularmente en una distancia h:
xi+1 - xi = h, i=0, 1, ..., n-1
...
Definiciones
Primera diferencia finita avanzada: ∆1fi = fi+1 - fi , i=0,1,2, ...
∆1f0 = f1 - f0
∆1f1 = f2 - f1, etc
Segunda diferencia finita avanzada: ∆2fi = ∆1fi+1 - ∆1fi , i=0,1,2, ...
∆2f0 = ∆1f1 - ∆1f0
∆2f1 = ∆1f2 - ∆1f1, etc
Las diferencias finitas se pueden expresar con los puntos dados:
∆2f0 = ∆1f1 - ∆1f0 = (f2 - f1) - (f1 - f0) = f2 - 2f1 + f0
K-ésima diferencia finita avanzada:
∆kfi = ∆k-1fi+1 - ∆k-1fi , i=0,1,2, ..., k=1, 2, 3, ... con ∆0fi = fi
Es útil tabular las diferencias finitas en un cuadro como se muestra a continuación:
i xi fi ∆1fi ∆2fi ∆3fi ∆4fi
0 x0 f0 ∆1f0 ∆2f0 ∆3f0 ...
1 x1 f1 ∆1f1 ∆2f1 ... ...
2 x2 f2 ∆1f2 ... ... ...
3 x3 f3 ... ... ... ...
... ... ... ... ... ... ...
Cada diferencia finita se obtiene restando los dos valores consecutivos de la columna anterior.

136. 130
Ejemplo. Tabule las diferencias finitas correspondientes a los siguientes datos
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8)
i xi fi ∆1fi ∆2fi ∆3fi
0 1.0 5 2 1 -6
1 1.5 7 3 -5
2 2.0 10 -2
3 2.5 8
Cálculo de diferencias finitas en MATLAB:
La función diff de MATLAB proporciona las diferencias finitas de orden sucesivo:
>> f=[5 7 10 8];
>> d1=diff(f)
d1 =
2 3 -2
>> d2=diff(d1)
d2 =
1 -5
>> d3=diff(d2)
d3 =
-6
6.5.1 Relación entre derivadas y diferencias finitas
Desarrollo de la serie de Taylor de una función que suponemos diferenciable, f, alrededor de un
punto x0 a una distancia h, con un término:
f(x0+h) = f1 = f0 + h f’(z), para algún z∈[x0, x1]
De donde:
f1 − f 0 ∆ 1f0
=
f '(z) = , para algún z∈[x0, x1]
h h
Es el Teorema del Valor Medio. Este teorema de existencia, con alguna precaución, se usa como
una aproximación para la primera derivada en el intervalo especificado:
∆ 1f0
es una aproximación para f’ en el intervalo [x0, x1].
h
Desarrollo de la serie de Taylor de la función f, que suponemos diferenciable, alrededor del punto
x1 hacia ambos a una distancia h, con dos términos:
h2
(1) f2 = f1 + hf ’1 + f ''(z1 ) , para algún z1∈[x1, x2]
2!
h2
(2) f0 = f1 - hf ’1 + f ''(z 2 ) , para algún z2∈[x0, x1]
2!
Sumando (1) y (2), sustituyendo la suma f’’(z1) + f’’(z2) por un valor promedio 2f’’(z) y despejando:
f2 − 2f1 + f0 ∆ 2 f0
= = f ''(z) , para algún z∈[x0, x2]
h2 h2
∆ 2 f0
es una aproximación para f’’ en el intervalo [x0, x2]
h2

137. 131
En general,
Definición. Relación entre derivadas y diferencias finitas
∆ n f0
f (n) (z) = , para algún z en el intervalo [x0, xn].
hn
∆ n f0
n
es una aproximación para f(n) en el intervalo [x0, xn].
h
Si suponemos que f tiene derivadas y que no cambian significativamente en el intervalo
considerado, esta fórmula debe usarse con precaución para aproximar sus derivadas. El valor de h
debe ser pequeño, pero si es muy pequeño puede aparecer el error de redondeo al restar números
muy cercanos y la estimación de las derivadas de orden alto no será aceptable. Si se usa esta
aproximación para acotar el error, se debería tomar el mayor valor de la diferencia finita tabulada y
del mismo orden.
6.5.2 Diferencias finitas de un polinomio
Si la función f de donde provienen los datos es un polinomio de grado n, entonces la n-ésima
diferencia finita será constante y las siguientes diferencias finitas se anularán.
Demostración:
Sea f un polinomio de grado n: f(x) = a0xn + a1xn-1 + . . . + an
Su n-ésima derivada es una constante: f(n)(x) = n! a0
Por lo tanto, la n-ésima diferencia finita también será constante: ∆nfi = hn f(n)(x) = hn n! a0
Ejemplo
Tabule las diferencias finitas de f(x) = 2x2 + x + 1, para x = -2, -1, 0, 1, 2, 3
i xi fi ∆1fi ∆2fi ∆3fi ∆4fi
0 -2 7 -5 4 0 0
1 -1 2 -1 4 0 0
2 0 1 3 4 0
3 1 4 7 4
4 2 11 11
5 3 22
El polinomio de interpolación coincidirá con la función, por la propiedad de unicidad.
Ejemplo. Verifique si la siguiente función puede expresarse mediante un polinomio en el mismo
dominio.
x
f(x) = 2x + ∑ i2 , x = 1, 2, 3, ...
i=1
Solución
La función con el sumatorio expresado en forma desarrollada:
f(x) = 2x + (12 + 22 + 32 + ... + x2), x = 1, 2, 3, …
Tomando algunos puntos de esta función, tabulamos las diferencias finitas:

138. 132
i xi fi ∆1fi ∆2fi ∆3fi ∆4fi
0 1 3 6 5 2 0
1 2 9 11 7 2 0
2 3 20 18 9 2
3 4 38 27 11
4 5 65 38
5 6 103
Siendo f(x) una expresión algebraica, y observado que la tercera diferencia finita es constante, se
puede concluir que es un polinomio de grado tres. Para encontrar el polinomio de interpolación
podemos usar la conocida fórmula de Lagrange. También se puede obtener el polinomio de
interpolación con métodos basados en los valores tabulados de diferencias finitas.
6.6 El polinomio de interpolación de diferencias finitas avanzadas
Dado un conjunto de puntos (xi, fi), i=0, 1,…, n espaciados en forma regular en una distancia h y
que provienen de una función desconocida f(x), pero supuestamente diferenciable, se desea
obtener el polinomio de interpolación. Si se tienen tabuladas las diferencias finitas se puede
obtener el polinomio de interpolación mediante un procedimiento de recurrencia y generalización.
Suponer que se tienen dos puntos (x0, f0), (x1, f1) con los cuales se debe obtener el polinomio de
primer grado, es decir, la ecuación de una recta:
p1(x) = a0 + a1(x-x0)
Sustituyendo los dos puntos y despejando a0 y a1 se obtienen, agregando la notación usual:
a0 = f0
f1 − f0 ∆ 1f0
=a1 =
x1 − x 0 h
∆ 1f0
p 1(x) =
f0 + (x − x 0 )
h
En el caso de tener tres puntos (x0, f0), (x1, f1), (x2, f2), se debe obtener el polinomio de segundo
grado. Se propone la siguiente forma para este polinomio:
p2(x) = a0 + a1(x-x0) + a2(x-x0)(x-x1)
Sustituyendo los tres puntos y despejando a0, a1 y a2 se obtienen, incluyendo la notación usual:
a0 = f0
f1 − f0 ∆ 1f0
=a1 =
x1 − x 0 h
f2 − f1 f −f ∆ 1f1 ∆ 1f0
− 1 0 −
x 2 − x1 x 1 − x 0 h h ∆ 1f1 − ∆ 1f0 ∆ 2 f0
=a2 = = =
x2 − x0 2h 2h2 2h2
∆ 1f0 ∆ 2 f0
p2 (x) = 0 +
f (x − x 0 ) + (x − x 0 )(x − x1 )
h 2h2

139. 133
Se puede generalizar para un conjunto de puntos (xi, fi), i=0, 1,…, n:
Definición. Polinomio de diferencias finitas avanzadas o polinomio de Newton
∆ 1f0 ∆ 2 f0 ∆ 3 f0
pn (x) = 0 +
f (x − x 0 ) + (x − x 0 )(x − x1 ) + (x − x 0 )(x − x1 )(x − x 2 ) + ...
h 2!h2 3!h3
∆ n f0
+ (x − x 0 )(x − x1 )...(x − xn−1 )
n!hn
Si las diferencias finitas están tabuladas en forma de un triángulo, los coeficientes del polinomio de
interpolación se toman directamente de la primera fila del cuadro de datos (fila sombreada):
i xi fi ∆1fi ∆2fi ∆3fi ∆ nf i
0 x0 f0 ∆1f0 ∆2f0 ∆3f0 … ∆ nf 0
1 x1 f1 ∆1f1 ∆2f1 ∆3fn … …
2 x2 f2 ∆ f21
∆ f2
2
… … …
3 x3 f3 ∆1f3 … … … …
… … … … … … … …
n xn fn … … … … …
Ejemplo. Dados los siguientes puntos: (2, 5), (3, 6), (4, 3), (5, 2), encuentre el polinomio de
interpolación que incluye a los cuatro datos usando el método de diferencias finitas
El método de diferencias finitas es aplicable pues h es constante e igual a 1
Tabla de diferencias finitas:
i xi fi ∆1fi ∆2fi ∆3fi
0 2 5 1 -4 6
1 3 6 -3 2
2 4 3 -1
3 5 2
Polinomio de tercer grado de diferencias finitas:
∆ 1f0 ∆ 2 f0 ∆ 3 f0
p3 (x) =+
f0 (x − x 0 ) + (x − x 0 )(x − x1 ) + (x − x 0 )(x − x1 )(x − x 2 )
h 2!h2 3!h3
Reemplazando los coeficientes, tomados de la primera fila, y simplificando:
1 −4 6
p3 (x) = + (x − 2) +
5 2
(x − 2)(x − 3) + (x − 2)(x − 3)(x − 4)
1 2(1 ) 3!(13 )
= 3 − 11x 2 + 37x − 33
x

140. 134
6.6.1 Práctica computacional
Obtención del polinomio de diferencias finitas mediante comandos de MATLAB
Datos: (2, 5), (3, 6), (4, 3), (5, 2)
>> x=[2 3 4 5];
>> f=[5 6 3 2];
Cálculo de diferencias finitas
>> d1=diff(f)
d1 =
1 -3 -1
>> d2=diff(d1)
d2 =
-4 2
>> d3=diff(d2)
d3 =
6
Obtención del polinomio de interpolación mediante sustitución directa
>> syms t
>> p=5+1/1*(t-2) + (-4)/(2*1^2)*(t-2)*(t-3) + 6/(6*1^3)*(t-2)*(t-3)*(t-4)
p=
t - (2*t - 4)*(t - 3) + (t - 2)*(t - 3)*(t - 4) + 3
Simplificación algebraica
>> p=expand(p)
p=
t^3 - 11*t^2 + 37*t – 33
Graficación de los puntos y del polinomio
>> plot(x,f,'o'),grid on,hold on
>> ezplot(p,[2,5])
>> axis([0,5,0,7])
( )( ) ( )( )( )
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6
t
Interpolación: evaluar p(2.5)
>> q=inline(p);

141. 135
>> y=q(2.5)
y=
6.3750
Interpolación inversa: hallar t tal que p(t)=4, con el método de Newton
>> h=p-4;
>> g=inline(t-h/diff(h));
>> t=3.6;
>> t=g(t)
t=
3.6892
>> t=g(t)
t=
3.6889
>> t=g(t)
t=
3.6889
6.6.2 Eficiencia del polinomio de interpolación de diferencias finitas
Forma original del polinomio de interpolación de diferencias finitas avanzadas:
∆ 1f0 ∆ 2 f0 ∆ 3 f0
pn (x) = 0 +
f (x − x 0 ) + (x − x 0 )(x − x1 ) + (x − x 0 )(x − x1 )(x − x 2 ) + ...
h 2!h2 3!h3
∆ n f0
+
(x − x 0 )(x − x1 )...(x − xn−1 )
n!hn
La evaluación de este polinomio es un método directo en el que se suman n+1 términos. Cada
término de esta suma requiere una cantidad variable de multiplicaciones en las que aparece el
valor x que se interpola. Entonces la eficiencia de este algoritmo es: T(n) = O(n2), similar a la
fórmula de Lagrange, y significativamente mejor que el método matricial que involucra la resolución
de un sistema de ecuaciones lineales cuya eficiencia es T(n) = O(n3).
Sin embargo, el polinomio de diferencias finitas puede escribirse en forma recurrente:
(x − x 0 ) (x − x1 ) (x − x 2 ) (x − xn − 2 ) (x − xn −1 )
pn (x) = f0 + ( ∆ 1f0 + ( ∆ 2 f0 + ( ∆ 3 f0 + ... + ( ∆ n −1f0 + ∆ n f0 )...)))
h 2h 3h (n − 1)h nh
Entonces, el polinomio puede expresarse mediante un algoritmo recursivo:
p0 = ∆ n f0
(x − x n − 1 )
∆ n−
p1 =1f0 + p0
nh
(x − x n − 2 )
∆ n−
p2 =2 f0 + p1
(n − 1)h
.
.
(x − x 1 )
pn − 1 =1f0 +
∆ pn − 2
2h
(x − x 0 )
pn =0 f0 +
∆ pn − 1 , siendo ∆ 0 f0 =f0
h
La evaluación del polinomio con este procedimiento requiere 2n sumas y restas y 3n
multiplicaciones y divisiones: T(n) = O(n). Esto constituye una mejora significativa con respecto a
los métodos anteriores. Sin embargo, la tabulación de las diferencias finitas tiene eficiencia O(n2)
pero únicamente contiene restas y debe calcularse una sola vez para interpolar en otros puntos.

142. 136
Ejemplo. Dados los siguientes puntos: (1.2, 5), (1.4, 6), (1.6, 3), (1.8, 2), use el algoritmo recursivo
anterior para evaluar en x=1.5 el polinomio de interpolación que incluye a los cuatro datos.
Tabla de diferencias finitas:
i xi fi ∆1fi ∆2fi ∆3fi
0 1.2 5 1 -4 6
1 1.4 6 -3 2
2 1.6 3 -1
3 1.8 2
p0 = ∆ f03 p0 = 6
(x − x 2 ) (1.5 − 1.6)
p1 =2 f0 +
∆ p0 p1 =−4 + 6 =−5
3h 3(0.2)
(x − x 1 ) (1.5 − 1.4)
p2 =1f0 +
∆ p1 ⇒
2h p2 = +
1 ( −5) =0.25
−
2(0.2)
(x − x 0 )
p 3 =0 f0 +
∆ p2 (1.5 − 1.2)
h p3 =
5+ ( −0.25) =
4.625
0.2
6.6.3 El error en el polinomio de interpolación de diferencias finitas
Polinomio de interpolación de diferencias finitas avanzadas:
∆ 1f0 ∆ 2 f0 ∆ 3 f0
pn (x) = 0 +
f (x − x 0 ) + (x − x 0 )(x − x1 ) + (x − x 0 )(x − x1 )(x − x 2 ) + ...
h 2!h2 3!h3
∆ n f0
+ (x − x 0 )(x − x1 )...(x − xn−1 )
n!hn
Se tiene el error en el polinomio de interpolación:
f (n+ 1) (z)
En (x) = g(x) , x≠xi, z∈[x0, xn ], siendo g(x) = (x-x0)(x-x1) ... (x-xn)
(n + 1)!
Si los puntos están regularmente espaciados a una distancia h, se estableció una relación entre las
derivadas de f y las diferencias finitas:
∆n f
f (n) (t) = n 0 , para algún t en el dominio de los datos dados
h
Es una aproximación para la derivada si no cambia significativamente y h es pequeño.
Extendiendo esta relación a la siguiente derivada y sustituyendo en la fórmula del error en la
interpolación
f (n+ 1) (z) ∆ n+ 1f ∆ n+ 1f
En (x) =
g(x) ≅ g(x) n+ 1 0 =− x 0 )(x − x1 )...(x − xn ) n+ 1 0
(x
(n + 1)! h (n + 1)! h (n + 1)!
Si se compara con el polinomio de diferencias finitas avanzadas se observa que el error en la
interpolación es aproximadamente igual al siguiente término que no es incluido en el polinomio de
interpolación.

143. 137
Definición. Estimación del error en el polinomio de interpolación de diferencias finitas
∆ n+ 1f0
En (x) ≅ (x − x 0 )(x − x1 )...(x − xn )
hn+ 1(n + 1)!
Si se toman n+1 puntos para construir el polinomio de interpolación de grado n, y los puntos
provienen de un polinomio de grado n, entonces el f(n+1)( ) es cero y también ∆ n f , por lo tanto En(x)
también es cero, en forma consistente con la propiedad de unicidad del polinomio de interpolación.
Ejemplo. Para aplicar esta definición se usan los siguientes datos
i xi fi ∆1fi ∆2fi ∆3fi ∆4fi
0 0.0 1.000000 0.110517 0.023247 0.003666 0.000516
1 0.1 1.110517 0.133764 0.026913 0.004182
2 0.2 1.244281 0.160677 0.031095
3 0.3 1.404958 0.191772
4 0.4 1.596730
En la tabla puede observarse que las diferencias finitas tienden a reducir su valor, entonces un
polinomio de interpolación es una aproximación adecuada para esta función. Adicionalmente, las
diferencias finitas en cada columna tienen valores de similar magnitud, por lo tanto se pueden usar
para estimar a las derivadas.
El grado del polinomio de interpolación depende del error que toleramos y su valor está
relacionado directamente con el orden de la diferencia finita incluida.
Supongamos que deseamos evaluar el polinomio de interpolación en x = 0.08 usando el polinomio
de diferencias finitas avanzadas de segundo grado.
∆ 1f0 ∆ 2 f0
f(x) ≅ p2 (x) = 0 +
f (x − x 0 ) + (x − x 0 )(x − x1 )
h 2!h2
0.110517 0.023247
f(0.08) ≅ p2 (0.08) =(0.08 − 0) +
1+ (0.08 − 0)(0.08 − 0.1) =
1.086554
0.1 2(0.1)2
Estimar el error en la interpolación:
∆ 3 f0
E2 (x) ≅ (x − x 0 )(x − x1 )(x − x 2 )
3!h3
0.003666
E2 (0.08) ≅ (0.08 − 0)(0.08 − 0.1)(0.08 − 0.2) =
0.0001173
3!0.13
Para comparar, calculemos el valor exacto de f(0.08) con la función de la cual fueron tomados los
datos: f(x) = x ex + 1
f(0.08) = 0.08 e0.08 + 1 = 1.086663…
El error exacto es
1.083287 – 1.086554 = 0.0001089
El valor calculado con el polinomio de interpolación de segundo grado concuerda muy bien con el
valor exacto.

144. 138
6.6.4 Forma estándar del polinomio de interpolación de diferencias finitas
El polinomio de interpolación de diferencias finitas avanzadas:
∆ 1f0 ∆ 2 f0 ∆ 3 f0
pn (x) = 0 +
f (x − x 0 ) + (x − x 0 )(x − x1 ) + (x − x 0 )(x − x1 )(x − x 2 ) + ...
h 2!h2 3!h3
∆ n f0
+ (x − x 0 )(x − x1 )...(x − xn−1 )
n!hn
x − x0
Puede re-escribirse usando la siguiente sustitución: S =
h
∆ 1f0
(x − x 0 ) =0 S
∆ 1f
h
∆ 2 f0 ∆ 2 f0 ∆ 2 f0 (x − x 0 ) (x − x 0 − h) ∆ 2 f0
(x − x 0 )(x − x1 )= (x − x 0 )(x − (x 0 + h))= = S(S − 1)
2!h2 2!h2 2!h2 h h 2!
.
. (sucesivamente)
.
Mediante recurrencia se puede generalizar:
∆ 2 f0 ∆ 3 f0 ∆ n f0
pn (S) = f0 S +
f0 + ∆ 1 S(S − 1) + S(S − 1)(S − 2) + ... + S(S − 1)(S − 2)...(S − n + 1)
2! 3! n!
Con la definición del coeficiente binomial
 S  S(S − 1)(S − 2)...(S − i + 1)
 =
i i!
Se obtiene una forma compacta para el polinomio de interpolación de diferencias finitas:
Definición. Forma estándar del polinomio de interpolación de diferencias finitas
 S  S  S  S n
 S
pn (S) =0 +   ∆ 1f0 +   ∆ 2 f0 +   ∆ 3 f0 + ... +   ∆ n f0 =
f ∑  i ∆i f0
 1 2 3 n i= 0  
También se puede expresar con esta notación el error en la interpolación:
∆ n+ 1f0
En (x) ≅ (x − x 0 )(x − x1 )...(x − xn )
hn+ 1(n + 1)!
x − x0
Sustituyendo la definición S = :
h
∆ n+ 1f0
En (S) ≅ S(S − 1)(S − 2)...(S − n)
(n + 1)!
Que finalmente se puede expresar de la siguiente forma
Definición. Estimación del error en el polinomio de interpolación de diferencias finitas
 S  n+ 1 x − x0
En (S) ≅   ∆ f0 , S
= , x ≠ xi
 n + 1 h

145. 139
6.7 El polinomio de interpolación de diferencias divididas
Dado un conjunto de puntos (xi, fi), i=0, 1,…, n espaciados en forma arbitraria y que provienen de
una función desconocida f(x) pero supuestamente diferenciable, se desea obtener el polinomio de
interpolación.
Una forma alternativa al método de Lagrange es el polinomio de diferencias divididas cuya fórmula
se la puede obtener mediante un procedimiento de recurrencia generalizado.
Suponer que se tienen dos puntos (x0, f0), (x1, f1) con los cuales se debe obtener el polinomio de
primer grado, es decir, la ecuación de una recta:
p1(x) = a0 + a1(x-x0)
Sustituyendo los dos puntos y despejando a0 y a1 se obtienen:
a= f= f[x 0 ]
0 0
f1 − f0
=a1 = f[x 0:1 ]
x1 − x 0
p1(x) = 0 ] + f[x 0:1 ](x − x 0 )
f[x
f1 − f0
La notación f[x 0:1 ] = denota la diferencia dividida en el rango [x0, x1]
x1 − x 0
La diferencia dividida f[x 0:1 ] es una aproximación para f’( ) en el intervalo [x0, x1]
En el caso de tener tres puntos (x0, f0), (x1, f1), (x2, f2), se debe obtener un polinomio de segundo
grado. Se propone la siguiente forma para este polinomio:
p2(x) = a0 + a1(x-x0) + a2(x-x0) (x-x1)
Sustituyendo los tres puntos y despejando a0, a1 y a2 se obtienen:
a= f= f[x 0 ]
0 0
f1 − f0 f[x 0 ] − f[x1 ]
=a1 = = f[x 0:1 ]
x1 − x 0 x1 − x 0
f2 − f1 f −f
− 1 0
x 2 − x1 x 1− x 0 f[x1:2 ] − f[x 0:1 ]
=a2 = = f[x 0:2 ]
x2 − x0 x2 − x0
p2 (x)= f[x 0 ] + f[x 0:1 ](x − x 0 ) + f[x 0:2 ](x − x 0 )(x − x1 )
f[x1:2 ] − f[x 0:1 ]
La notación f[x 0:2 ] = denota la diferencia dividida en el rango [x0, x2]
x2 − x0

146. 140
Al extender la recurrencia y generalizar al conjunto de puntos (xi, fi), i=0, 1,…, n se tiene:
f[x1:n ] − f[x 0:n−1 ]
f[x 0:n ] =
xn − x 0
Definición. Polinomio de diferencias divididas
pn (x)= f[x 0 ] + f[x 0:1 ](x − x 0 ) + f[x 0:2 ](x − x 0 )(x − x1 ) + f[x 0:3 ](x − x 0 )(x − x1 )(x − x 2 ) + ...
+ f[x 0:n ](x − x 0 )(x − x1 )...(x − xn−1 )
Es conveniente tabular las diferencias divididas en forma de un triángulo en el que cada columna a
la derecha se obtiene de la resta de los dos valores inmediatos de la columna anterior. Este
resultado debe dividirse para la longitud del rango de los datos incluidos.
Los coeficientes del polinomio de interpolación serán los valores resultantes colocados en la
primera fila del cuadro tabulado (fila sombreada):
i xi f[xi] f[xi:i+1] f[xi:i+2] f[xi:i+3] f[xi:i+4]
0 x0 f[x0] f[x0:1] f[x0:2] f[x0:3] f[x0:4]
1 x1 f[x1] f[x1:2] f[x1:3] f[x1:4]
2 x2 f[x2] f[x2:3] f[x2:4]
3
x3 f[x3] f[x3:4]
4
x4 f[x4]
… … …
Ejemplo. Dados los siguientes puntos: (2, 5), (4, 6), (5, 3), (7, 2), encuentre y grafique el polinomio
de interpolación que incluye a los cuatro datos, usando el método de diferencias divididas:
Tabla de diferencias divididas:
i xi f[xi] f[xi:i+1] f[xi:i+2] f[xi:i+3]
5 / 6 − (−7 / 6) 2
6−5 1 −3 − 1/ 2 7 =
0 2 5 = = − 7−2 5
4−2 2 5−2 6
3−6 −1/ 2 − (−3) 5
1 4 6 = −3 =
5−4 7−4 6
2−3 1
2 5 3 = −
7−5 2
3 7 2

147. 141
Polinomio de tercer grado de diferencias divididas:
pn (x) = f[x 0 ] + f[x 0:1 ](x − x 0 ) + f[x 0:2 ](x − x 0 )(x − x1 ) + f[x 0:3 ](x − x 0 )(x − x1 )(x − x 2 )
Reemplazando los coeficientes, tomados de la primera fila, y simplificando:
p3 (x) =+ (1/ 2)(x − 2) + (−7 / 6)(x − 2)(x − 4) + (2 / 5)(x − 2)(x − 4)(x − 5)
5
2 167 2 227 64
= x3 − x + x−
5 30 10 3
Gráfico del polinomio:
( ) ( ) ( )
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8
x
6.7.1 El error en el polinomio de interpolación de diferencias divididas
Polinomio de diferencias divididas
pn (x)= f[x 0 ] + f[x 0:1 ](x − x 0 ) + f[x 0:2 ](x − x 0 )(x − x1 ) + f[x 0:3 ](x − x 0 )(x − x1 )(x − x 2 ) + ...
+ f[x 0:n ](x − x 0 )(x − x1 )...(x − xn−1 )
Error en el polinomio de interpolación:
f (n+ 1) (z)
En (x) = g(x) , x≠xi, z∈[x0, xn ], siendo g(x) = (x-x0)(x-x1) ... (x-xn)
(n + 1)!
Si los puntos estuviesen igualmente espaciados en una distancia h se tendría
f[x1:n ] − f[x 0:n−1 ] ∆ n f0 f (n) (z)
=
f[x 0:n ] = ≅
xn − x 0 n!hn n!
En el polinomio de diferencias divididas, h sería el cociente promedio de las n distancias entre las
abscisas de los datos.
Extendiendo esta relación a la siguiente derivada y sustituyendo en la fórmula del error en la
interpolación
f (n+ 1) (z)
En (x) =
g(x) ≅ g(x)f[x 0:n+ 1 ] =− x 0 )(x − x1 )...(x − xn )f[x 0:n+ 1 ]
(x
(n + 1)!
Si se compara con el polinomio de diferencias divididas se observa que el error en el polinomio de
interpolación es aproximadamente igual al siguiente término del polinomio que no es incluido.

148. 142
6.8 El polinomio de mínimos cuadrados
Dados los puntos (xi, fi), i = 1, 2,..., n, que corresponden a observaciones o mediciones. Si se
considera que estos datos contienen errores y que es de interés modelar únicamente su tendencia,
entonces el polinomio de interpolación no es una buena opción. Una alternativa es el polinomio de
mínimos cuadrados. Estos polinomios tienen mejores propiedades para realizar predicciones o
extrapolaciones.
Si los datos tienen una tendencia lineal, la mejor recta será aquella que se coloca entre los puntos
de tal manera que se minimizan las distancias de los puntos dados a esta recta, la cual se
denomina recta de mínimos cuadrados y se la obtiene con el siguiente procedimiento:
Para cada valor xi se tiene el dato fi y el valor p(xi) obtenido con la recta de mínimos cuadrados.
Sea p(x) = a1 + a2x la recta de mínimos cuadrados
Si ei = fi - p(xi) es la diferencia entre el dato y el punto de la recta de mínimos cuadrados.,
2
entonces, el objetivo es minimizar e i para todos los puntos. El cuadrado es para considerar
distancia, no importa si el punto está sobre o debajo de la recta
Criterio de para obtener la recta de mínimos cuadrados
n n n
Minimizar S= 2
i ∑ e = ∑ (f − p(x )) = ∑ (f − a
= 1= 1
i i
i i
2
= 1 i
i 1 − a 2 x)2 .
Para minimizar esta función S cuyas variables son a1, a2 se debe derivar con respecto a cada
variable e igualar a cero:
∂S ∂ n n n
∑ ( fi − a1 − a2 xi ) =0 ⇒ na1=i∑=i∑ fi
2
=0: + a2 xi =
∂a 1 ∂a 1 i
= 1 1 1
∂S ∂ n n n n
∑ ( fi − a1 − a2 xi ) =0 ⇒ a1 ∑ xi + a2 ∑ xi2 =∑ xi fi
2
= 0:
∂a 2 ∂a 2 i
= 1 = 1 = 1= 1
i i i
De esta manera se obtiene el sistema de ecuaciones lineales:
n n
a1n + a 2 ∑ xi =
∑ fi
= 1= 1
i i
n n n
a1 ∑ xi + a 2 ∑ xi2 =
∑ xi fi
= 1
i = 1= 1
i i
De donde se obtienen los coeficientes a1 y a2 para la recta de mínimos cuadrados:
p(x) = a1 + a2 x
Ejemplo
Los siguientes datos corresponden a una muestra de 5 estudiantes que han tomado cierta materia.
Los datos incluyen la calificación parcial y la calificación final. Se pretende encontrar un modelo
que permita predecir la calificación final que obtendría un estudiante dada su calificación parcial.
Estudiante Nota Parcial Nota final
1 43 75
2 64 82
3 38 70
4 57 76
5 30 68

149. 143
Representación de los datos en un diagrama
Se observa que los datos tienen aproximadamente una tendencia lineal
El polinomio de interpolación es exacto pero no muestra de forma simple la tendencia de los datos
La recta de mínimos cuadrados representa mejor la tendencia de los datos considerando además
que no son observaciones exactas. Las interpolaciones o predicciones serían más apropiadas
El estudio detallado de este modelo se denomina Regresión Lineal y permite establecer criterios
acerca de la calidad de la representación de los datos con la recta de mínimos cuadrados.
Adicionalmente, mediante una transformación se pueden representar mediante la recta de mínimos
cuadrados, conjuntos de datos que tienen otro tipo de tendencia.

150. 144
6.8.1 Práctica computacional
Obtención de la recta de mínimos cuadrados mediante comandos directos de MATLAB
>> x=[43 64 38 57 30];
>> f=[75 82 70 76 68];
>> plot(x,f,'o'),grid on,hold on Gráfico de los datos
>> p=lagrange(x,f);
>> ezplot(p,[30,64]) El polinomio de interpolación
>> d=[length(x) sum(x); sum(x) sum(x.^2)]
d=
5 232
232 11538
>> c=[sum(f); sum(x.*f)]
c=
371
17505
>> a=inv(d)*c
a=
56.7610
0.3758
>> syms t
>> p1=a(1)+a(2)*t; La recta de mínimos cuadrados
>> ezplot(p1,[30,64])

151. 145
6.9 Ejercicios y problemas con el polinomio de interpolación
Fórmula de Lagrange
1. Los siguientes datos son observaciones de los ingresos f en base al monto de inversión x
realizada en cierto negocio, en miles de dólares: (5.5, 83.0), (8.2, 94.5), (12.4, 105.0), (19.0, 92.0).
a) Encuentre el polinomio de interpolación de tercer grado con la fórmula de Lagrange
Con este polinomio determine:
b) La ganancia que se obtiene si la inversión fuese 15.0
c) Cuanto habría que invertir si se desea una ganancia de 100.0
d) Para que valor de inversión se obtiene la máxima ganancia.
2. Encuentre un polinomio de interpolación para expresar en forma exacta la suma de los
cuadrados de los primeros x números impares:
2 2 2 2
s(x) = 1 + 3 + 5 + . . . + (2x -1)
3. Los siguientes datos pertenecen a la curva de Lorentz, la cual relaciona el porcentaje de ingreso
económico global de la población en función del porcentaje de la población:
% de población % de ingreso global
25 10
50 25
75 70
100 100
Ej. El 25% de la población tiene el 10% del ingreso económico global.
a) Use los cuatro datos para construir un polinomio para expresar esta relación
b) Con el polinomio determine el porcentaje de ingreso económico que le corresponde al 60% de la
población
c) Con el polinomio determine a que porcentaje de la población le corresponde el 60% de ingreso
económico global. Resuelva la ecuación resultante con el método de Newton
Error en la Interpolación
1. La función de variable real f(x)=cos(x)ex + 1, , será aproximada con el polinomio de
segundo grado p(x) que incluye a los tres puntos f(0), f( , f( .
a) Determine el error en la aproximación si x = π/4
b) Encuentre la magnitud del máximo error E(x)=f(x)-p(x), que se produciría al usar p(x) como una
aproximación a f(x). Resuelva la ecuación no lineal resultante con la fórmula de Newton con un
error máximo de 0.0001

152. 146
Polinomio de Diferencias Finitas
1. Luego de efectuarse un experimento se anotaron los resultados:(xi, fi) y se tabularon las
diferencias finitas. Accidentalmente se borraron algunos valores quedando únicamente lo que se
muestra a continuación:
xi fi ∆fi ∆2fi ∆3fi ∆4fi
1.3 3.534 -------- 0.192 0.053 0.002
1.5 -------- -------- -------- --------
1.7 -------- -------- --------
1.9 -------- --------
2.1 --------
También se había hecho una interpolación lineal con el polinomio de diferencias finitas en x = 1.4
obteniéndose como resultado de la interpolación el valor 4.0755
a) Reconstruya la tabla de diferencias finitas
b) Encuentre el valor de f(1.62) con un polinomio de interpolación de Diferencias Finitas
Avanzadas de tercer grado, y estime el error en la interpolación.
c) Encuentre el valor de x tal que f(x) = 5.4 con un polinomio de interpolación de diferencias
finitas avanzadas de tercer grado. Para obtener la respuesta debe resolver una ecuación
cúbica. Use el Método de Newton y obtenga el resultado con cuatro decimales exactos.
Previamente encuentre un intervalo de convergencia.
2. La suma de los cuadrados de los primeros k números pares:
2 2 2 2
s(k) = 2 + 4 + 6 + . . . . + (2k)
Se puede expresar exactamente mediante un polinomio de interpolación.
a) Encuentre el polinomio de interpolación con el polinomio de diferencias finitas
b) Calcule s(100) usando el polinomio.
3. Dados los puntos (x,f(x)) de una función:
x : 1.0000 1.1000 1.2000 1.3000 1.4000 1.5000 1.6000
f(x) : 2.2874 2.7726 3.2768 3.7979 4.3327 4.8759 5.4209
a) Encuentre el valor de f(1.05) con un polinomio de tercer grado.
b) Estime el error en el resultado obtenido. Use la fórmula del error en la interpolación.
Interpolación con funciones de más variables
1. Se registraron los siguientes datos de la cantidad de producto obtenido experimentalmente en
parcelas de cultivo en las que se suministraron tres cantidades diferentes de fertilizante tipo 1 y
cuatro cantidades diferentes de fertilizante tipo 2:
Fertilizante 2
Fert. 1 1.2 1.4 1.6 1.8
1.0 7.2 7.8 7.5 7.3
1.5 8.2 8.6 9.2 9.0
2.0 9.5 9.6 9.3 8.6
Use todos los datos dados para determinar mediante una interpolación polinomial con el método de
Lagrange, la cantidad de producto que se obtendría si se usaran 1.2 de fertilizante 1 y 1.5 de
fertilizante 2.

153. 147
2. Una empresa que vende cierto producto ha observado que su demanda depende del precio al
que lo vende (P en $/unidad) y también del precio al que la competencia vende un producto de
similares características (Q en $/unidad). Recopilando información histórica respecto a lo que ha
sucedido en el pasado se observó que la demanda diaria (unidades vendidas por día) de este
producto fueron de:
P
1 1.1 1.2
1 100 91 83
1.1 110 100 92
Q 1.2 120 109 100
1.3 130 118 108
Use todos los datos dados y el polinomio de interpolación de Lagrange para estimar los ingresos
mensuales de la empresa por la venta de este producto si decide venderlo a $1.15 por unidad y
conoce que la competencia estableció un precio de $1.25 por unidad.

154. 148
6.10 El trazador cúbico
El polinomio de interpolación es útil si se usan pocos datos y que además tengan un
comportamiento polinomial, así su representación es un polinomio de grado bajo y adecuado.
Si no se cumplen estas condiciones, el polinomio puede tomar una forma inaceptable para
representar a los datos, como se muestra en el siguiente ejemplo:
Ejemplo. Encuentre el polinomio de interpolación que incluye a los siguientes datos
(2, 5), (4,6), (5,9), (8,5), (10,4)
Con el método de Lagrange obtenemos el polinomio
p(x) = 19/288 x4 – 151/96 x3 + 1823/144 x2 – 118/3 x + 401/9
El gráfico se muestra a continuación
10
9
8
7
6
5
4
3
2
2 3 4 5 6 7 8 9 10
t
Se observa que en los intervalos (2, 4), y (8, 10) la forma del polinomio no es apropiada para
expresar la tendencia de los datos.
Una opción pudiera ser colocar polinomios de interpolación en tramos. Por ejemplo un
polinomio de segundo grado con los puntos (2, 5), (4,6), (5,9), y otro polinomio de segundo
grado con los puntos (5,9), (8,5), (10,4). Sin embargo, en el punto intermedio (5, 9) en el que
se unirían ambos polinomios de segundo grado se tendría un cambio de pendiente inaceptable.
Una mejor opción consiste en usar el Trazador Cúbico. Este dispositivo matemático equivale a
la regla flexible que usan algunos dibujantes y que permite acomodarla para seguir de una
manera suave la trayectoria de los puntos sobre un plano.
6.10.1 El trazador cúbico natural
Dados los puntos (xi, yi), i = 1, 2, ..., n, el trazador cúbico natural es un conjunto de n-1
polinomios de grado tres colocados uno a uno entre cada par de puntos consecutivos, de tal
manera que haya continuidad, manteniendo igual pendiente y curvatura con los polinomios de
intervalos adyacentes.
Definición: Trazador cúbico natural T(x)
a1(x − x 1)3 + b1(x − x1 )2 + c1(x − x1 ) + d1, x1 ≤ x ≤ x 2

a (x − x 2 ) + b2 (x − x 2 ) + c2 (x − x 2 ) + d2 ,
3 2
x2 ≤ x ≤ x3
T(x) =  2
 ...

 an−1(x − x n−1) + bn−1(x − xn−1 ) + cn−1(x − xn−1 ) + dn−1, xn-1 ≤ x ≤ xn
3 2

155. 149
Formulación para el trazador cúbico natural
Polinomio para cada intervalo:
y = p(x) = ai (x − xi )3 + bi (x − xi )2 + ci (x − xi ) + di
(0)
xi ≤ x ≤ xi+1, = 1,2,...,n − 1
i
Para cada uno de estos polinomios deben determinarse los coeficientes
ai, bi, ci, di, i = 1, 2, ..., n-1
Los puntos no necesariamente están espaciados en forma regular por lo que conviene asignar
un nombre a cada una de las distancias entre puntos consecutivos:
hi = xi+1 – xi , i = 1, 2, ..., n-1
El siguiente desarrollo basado en las condiciones requeridas para p(x) permite obtener los
coeficientes del polinomio.
Sea y=p(x) el polinomio en cualquier intervalo i, i=1, 2, ..., n-1
Este polinomio debe incluir a los extremos de cada intervalo i:
x=xi: yi = ai(xI – xi)3 + bi(xI – xi)2 + ci(xI – xi) + di = di ⇒ di = yi (1)
x=xi+1: yi+1 = ai(xI+1 – xi)3 + bi(xI+1 – xi)2 + ci(xI+1 – xi) + di
= ai hi3 + bi hi2 + ci hi + di (2)
Las dos primeras derivadas de y = p(x)
y’ = 3ai(x – xi)2 + 2bi(x – xi) + ci (3)
y’’ = 6ai(x – xi) + 2bi (4)
Por simplicidad se usa la siguiente notación para la segunda derivada
y’’ = S = 6ai(x – xi) + 2bi
Evaluamos la segunda derivada en los extremos del intervalo i:
S
x=xi: y’’i = Si = 6ai(xi – xi) + 2bi = 2bi ⇒ bi = i (5)
2
x=xi+1: y’’i+1 = Si+1 = 6ai(xi+1 – xi) + 2bi = 6ai hi + 2bi
Si + 1 − Si
De donde se obtiene ai = (6)
6hi

156. 150
Sustituimos (1), (5), y (6) en (2)
S − Si 3 Si 2
yi+1 = i + 1 hi + hi + ci hi + yi
6hi 2
De donde se obtiene:
y − yi 2hi Si + hi Si + 1
ci = i + 1 − (7)
hi 6
Con lo que los coeficientes de p(x) quedan expresados mediante los datos dados y los valores
de las segundas derivadas S
Coeficientes del trazador cúbico
Si + 1 − Si
ai =
6hi
Si
bi = (8)
2
yi + 1 − yi 2hi Si + hi Si + 1
ci = −
hi 6
di = yi i = 1, 2, ..., n-1
En el punto intermedio entre dos intervalos adyacentes, la pendiente de los polinomios debe
ser igual:
Pendiente en el intervalo [xi, xi+1], de (3):
y’ = 3ai(x – xi)2 + 2bi(x – xi) + ci
Evaluamos en el extremo izquierdo
x=xi: y’i = 3ai(xi – xi)2 + 2bi(xi – xi) + ci = ci
Pendiente en el intervalo [xi-1, xi], de (3):
y’ = 3ai-1(x – xi-1)2 + 2bi-1(x – xi-1) + ci-1
Evaluamos en el extremo derecho
x=xi: y’i = 3ai-1(xi – xi-1)2 + 2bi-1(xi – xi-1) + ci-1 = 3ai-1 hi-12 + 2bi-1 hi-1 + ci-1
En el punto xi ambas pendientes deben tener el mismo valor:
ci = 3ai-1 hi2−1 + 2bi-1 hi-1 + ci-1
Finalmente, se sustituyen las definiciones de ci, ai-1, bi-1, ci-1
yi + 1 − yi 2hi Si + hi Si + 1 S − Si −1 2 S y − yi −1 2hi −1Si −1 + hi −1Si
− = 3( i ) hi −1 + 2( i −1 )hi-1 + i −
6hi 6 6hi −1 2 hi 6
Después de simplificar se obtiene:
yi + 1 − yi yi − yi −1
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 ( − ) , i = 2, 3, ..., n-1 (9)
hi hi −1

157. 151
Esta ecuación debe evaluarse con los datos dados, con lo que se obtiene un sistema de n – 2
ecuaciones lineales con las n variables: S1, S2, ..., Sn
Para obtener dos datos adicionales se considera que en el Trazador Cúbico Natural los
puntos extremos inicial y final están sueltos por lo que no tienen curvatura. Con esta suposición
el valor de la segunda derivada tiene un valor nulo en los extremos, y se puede escribir:
S1 = 0, Sn = 0 (10)
6.10.2 Algoritmo del trazador cúbico natural
Dados los puntos: (xi, yi), i = 1, 2, ..., n
1. Con la ecuación (9) y reemplazando los valores dados en (10) obtenga un sistema de
n-2 ecuaciones lineales con las incógnitas S2, S3, ..., Sn-1, (Sistema tridiagonal de
ecuaciones lineales)
2. Resuelva el sistema y obtenga los valores de S2, S3, ..., Sn-1
3. Con las definiciones dadas en (8) obtenga los coeficientes para el trazador cúbico.
4. Sustituya los coeficientes en la definición dada en (0) y obtenga el polinomio del
trazador cúbico en cada uno de los intervalos.
yi + 1 − yi yi − yi −1
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 ( − ) , i = 2, 3, ..., n-1 (9)
hi hi −1
S1 = 0, Sn = 0 (10)
Si + 1 − Si
ai =
6hi
Si
bi = (8)
2
yi + 1 − yi 2hi Si + hi Si + 1
ci = −
hi 6
di = yi i = 1, 2, ..., n-1
y = p(x) = ai (x − xi )3 + bi (x − xi )2 + ci (x − xi ) + di (0)
xi ≤ x ≤ xi+1, = 1,2,...,n − 1
i

158. 152
Ejemplo. Encuentre el trazador cúbico natural para los datos (2, 5), (4,6), (5,9), (8,5), (10,4)
Solución:
Anotamos los datos en la terminología del trazador cúbico
n=5
i xi yi hi = xi+1 - xi
1 2 5 2
2 4 6 1
3 5 9 3
4 8 5 2
5 10 4
S1 = 0, S5 = 0, de acuerdo a la definición (10)
Al sustituir en (9) se obtiene un sistema de ecuaciones lineales
y − yi yi − yi −1
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 ( i + 1 − ) , i = 2, 3, 4
hi hi −1
y3 − y2 y2 − y1
i = 2: h1S1 + 2(h1 + h2)S2 + h2S3 = 6 ( − )
h2 h1
9−6 6−5
2(0) + 2(2 + 1)S2 + 1S3 = 6 ( − ) ⇒ 6S2 + S3 = 15
1 2
y − y3 y3 − y2
i = 3: h2S2 + 2(h2 + h3)S3 + h3S4 = 6 ( 4 − )
h3 h2
5−9 9−6
1S2 + 2(1 + 3)S3 + 3S4 = 6 ( − ) ⇒ S2 + 8S3 + 3S4 = -26
3 1
y − y 4 y 4 − y3
i = 4: h3S3 + 2(h3 + h4)S4 + h4S5 = 6 ( 5 − )
h4 h3
5−9 9−6
3S3 + 2(3 + 2)S4 + 2(0) = 6 ( − ) ⇒ S3 + 10S4 = 5
3 1
 6 1 0   S2   15   S2   3.2212 
 1 8 3  S  =  −26  Resolviendo este sistema resulta S  =  −4.3269 
  3    3  
0 3 10   S 4 
    5 
   S4 
   1.7981 
 
Sustituimos estos valores en las definiciones (8) y se obtienen los coeficientes:
ai bi ci di
0.2684 0 -0.5737 5
-1.2580 1.6106 2.6474 6
0.3403 -2.1635 2.0946 9
-0.1498 0.8990 -1.6987 5
Los coeficientes corresponden a los cuatro polinomios segmentarios del trazador cúbico natural
según la definición inicial en la ecuación (0):
y = p(x) = ai(xI – xi)3 + bi(xI – xi)2 + ci(xI – xi) + di , i = 1, 2, 3, 4
i=1: y = p(x) = a1(xI – xi)3 + b1(xI – xi)2 + c1(xI – xi) + d1 ,
= 0.2684(x – 2)3 + 0(x – 2)2 – 0.5737(x – 2) + 5, 2≤x≤4
i=2: y = p(x) = -1.2580(x – 4)3 + 1.6106(x – 4)2 + 2.6474(x – 4) + 6, 4≤x≤5
i=3: y = p(x) = 0.3403(x – 5)3 – 2.1635(x – 5)2 + 2.0946(x – 5) + 9, 5≤x≤8
i=4: y = p(x) = -0.1498(x – 8)3 + 0.8990(x – 8)2 – 1.6987(x – 8) + 6, 8 ≤ x ≤ 10

159. 153
6.10.3 Instrumentación computacional del trazador cúbico natural
La formulación del trazador cúbico natural se ha instrumentado en MATLAB mediante una
función denominada trazador la cual proporciona un vector con puntos del trazador o los
vectores con los coeficientes: a, b, c, d. Existe una versión propia de MATLAB equivalente a
esta última función y se denomina spline
Debido a que el sistema resultante es de tipo tridiagonal, se usa un método específico muy
eficiente para resolver estos sistemas. Debe haber por lo menos 4 puntos datos.
function [a,b,c,d]=trazador(x,y,z)
% Trazador Cúbico Natural: a(i)(x-x(i))^3+b(i)(x-x(i))^2+c(i)(x-x(i))+d(i), n>3
% z es opcional: es el vector de puntos para evaluar al trazador
% Entrega puntos del trazador o los coeficientes de los polinomios segmentarios
n=length(x);
clear A B C D;
if n<4
return
end
for i=1:n-1
h(i)=x(i+1)-x(i);
end
s(1)=0;
s(n)=0;
B(1)=2*(h(1)+h(2));
C(1)=h(2);
D(1)=6*((y(3)-y(2))/h(2)-(y(2)-y(1))/h(1))-h(1)*s(1);
for i=2:n-3 % Sistema tridiagonal para obtener S
A(i)=h(i);
B(i)=2*(h(i)+h(i+1));
C(i)=h(i+1);
D(i)=6*((y(i+2)-y(i+1))/h(i+1)-(y(i+1)-y(i))/h(i));
end
A(n-2)=h(n-2);
B(n-2)=2*(h(n-2)+h(n-1));
D(n-2)=6*((y(n)-y(n-1))/h(n-1)-(y(n-1)-y(n-2))/h(n-2))-h(n-1)*s(n);
u=tridiagonal(A,B,C,D);
for i=2:n-1
s(i)=u(i-1);
end
for i=1:n-1 % Coeficientes del trazador cúbico natural
a(i)=(s(i+1)-s(i))/(6*h(i));
b(i)=s(i)/2;
c(i)=(y(i+1)-y(i))/h(i)-(2*h(i)*s(i)+h(i)*s(i+1))/6;
d(i)=y(i);
end
if nargin==3 % Puntos del trazador cúbico natural
p=[ ];
m=length(z);
for k=1:m
t=z(k);
for i=1:n-1
if t>=x(i) & t<=x(i+1)
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
end
end
if m>1
k=m;i=n-1;
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
clear a b c d;
a=p;
end

160. 154
Ejemplo. Encuentre el trazador cúbico natural usando la función anterior para los siguientes
puntos dados. (2, 5), (4,6), (5,9), (8,5), (10,4)
>> x = [2 4 5 8 10];
>> y = [5 6 9 5 4];
>> z = [2: 0.01: 10]; Puntos para evaluar el trazador
>> p = trazador(x, y, z); Puntos del trazador
>> plot(x, y, ’o’); Gráfico de los puntos
>> hold on
>> plot(z, p) Gráfico del trazador
Gráfico del trazador cúbico natural junto con los puntos dados y el polinomio de interpolación:
Puede observarse la notable mejora en la representación de los datos dados.
El trazador cúbico mantiene una curvatura suave y continua y sigue mejor la tendencia
de los puntos.
Coeficientes del trazador cúbico
>> [a, b, c, d] = trazador(x, y);
a=
0.2684 -1.2580 0.3403 -0.1498
b=
0 1.6106 -2.1635 0.8990
c=
-0.5737 2.6474 2.0946 -1.6987
d=
5 6 9 5

161. 155
6.10.4 El trazador cúbico sujeto
En esta versión del trazador cúbico, los extremos ya no están sueltos sino sujetos y con alguna
inclinación especificada. Por lo tanto, ya no se aplica la definición anterior (10): S1 = 0, Sn = 0
Dados los puntos (xi, yi), i = 1, 2, ..., n.
Adicionalmente se especifica como datos, la inclinación del trazador en los extremos:
y’(x1) = u
y’(xn) = v
Utilizamos la expresión (3) del análisis anterior:
y’ = 3ai(x – xi)2 + 2bi(x – xi) + ci
Sustituimos los datos dados para los polinomios en el primero y último intervalo:
En el primer intervalo:
x = x1: y’(x1) = u = 3a1(x1 – x1)2 + 2b1(x1 – x1) + c1 = c1
Se sustituye la definición de c1 y se tiene
y − y1 2h1S1 + h1S2
u= 2 −
h1 6
Finalmente,
1 1 y − y1
− h1S1 − h1S2 = 2
u− (11)
3 6 h1
En el último intervalo:
x = xn: y’(xn) = v = 3an-1(xn – xn-1)2 + 2bn-1(xn – xn-1) + cn-1
2
v = 3an-1 hn −1 + 2bn-1 hn-1 + cn-1
Se sustituyen las definiciones de los coeficientes:
S − Sn −1 2 S y − yn −1 2hn −1Sn −1 + hn −1Sn
= 3( n
v )hn −1 + 2( n −1 )hn −1 + n −
6hn − 1 2 hn − 1 6
De donde se tiene
S − Sn −1 y − yn −1 2hn −1Sn −1 + hn −1Sn
= ( n
v )hn −1 + Sn −1hn −1 + n −
2 hn −1 6
Finalmente:
1 1 y − yn −1
hn −1Sn −1 + hn −1Sn =
v− n (12)
6 3 hn −1
Las ecuaciones (11) y (12) junto con las ecuaciones que se obtienen de (9) conforman un
sistema tridiagonal de n ecuaciones lineales con las n variables S1, S2, ..., Sn
El resto del procedimiento es similar al que corresponde al trazador cúbico natural.

162. 156
6.10.5 Algoritmo del trazador cúbico sujeto
Dados los puntos: (xi, yi), i = 1, 2, ..., n
1. Con las ecuaciones (9), (11) y (12) obtenga un sistema de n ecuaciones lineales con
las incógnitas S1, S2, ..., Sn, (Sistema tridiagonal de ecuaciones lineales)
2. Resuelva el sistema y obtenga los valores de S1, S2, ..., Sn
3. Con las definiciones dadas en (8) obtenga los coeficientes para el trazador cúbico.
4. Sustituya los coeficientes en la definición dada en (0) y obtenga el polinomio del
trazador cúbico en cada uno de los intervalos.
1 1 y − y1
− h1S1 − h1S2 = u − 2 (11)
3 6 h1
yi + 1 − yi yi − yi −1
hi-1Si-1 + 2(hi-1 + hi)Si + hiSi+1 = 6 ( − ) , i = 2, 3, ..., n-1 (9)
hi hi −1
1 1 y − yn −1
hn −1Sn −1 + hn −1Sn = v − n (12)
6 3 hn −1
Si + 1 − Si
ai =
6hi
Si
bi = (8)
2
yi + 1 − yi 2hi Si + hi Si + 1
ci = −
hi 6
di = yi i = 1, 2, ..., n-1
y = p(x) = ai (x − xi )3 + bi (x − xi )2 + ci (x − xi ) + di
(0)
xi ≤ x ≤ xi+1, = 1,2,...,n − 1
i

163. 157
6.10.6 Instrumentación computacional del trazador cúbico sujeto
La formulación del trazador cúbico sujeto se ha instrumentado en MATLAB mediante una
función denominada trazadorsujeto la cual proporciona un vector con puntos del trazador o
los vectores con los coeficientes: a, b, c, d.
function [a,b,c,d]=trazadorsujeto(x,y,u,v,z)
% Trazador Cúbico Sujeto
% u,v son las pendientes en los extremos
% a(i)(z-x(i))^3+b(i)(z-x(i))^2+c(i)(z-x(i))+d(i), n>3
% z es opcional: es el vector de puntos para evaluar al trazador
% Entrega puntos del trazador o los coeficientes de los polinomios segmentarios
n=length(x);
clear A B C D;
if n<4
return
end
for i=1:n-1
h(i)=x(i+1)-x(i);
end
B(1)=-2*h(1)/6;
C(1)=-h(1)/6;
D(1)=u-(y(2)-y(1))/h(1);
for i=2:n-1
A(i)=h(i-1);
B(i)=2*(h(i-1)+h(i));
C(i)=h(i);
D(i)=6*((y(i+1)-y(i))/h(i)-(y(i)-y(i-1))/h(i-1));
end
A(n)=h(n-1)/6;
B(n)=h(n-1)/3;
D(n)=v-(y(n)-y(n-1))/h(n-1);
s=tridiagonal(A,B,C,D);
for i=1:n-1 % Coeficientes del trazador cúbico sujeto
a(i)=(s(i+1)-s(i))/(6*h(i));
b(i)=s(i)/2;
c(i)=(y(i+1)-y(i))/h(i)-(2*h(i)*s(i)+h(i)*s(i+1))/6;
d(i)=y(i);
end
if nargin==5 % Puntos del trazador cúbico sujeto
p=[ ];
m=length(z);
for k=1:m
t=z(k);
for i=1:n-1
if t>=x(i) & t<=x(i+1)
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
end
end
if m>1
k=m;i=n-1;
p(k)=a(i)*(t-x(i))^3+b(i)*(t-x(i))^2+c(i)*(t-x(i))+d(i);
end
clear a b c d;
a=p;
end

164. 158
Ejemplo. Encuentre el trazador cúbico sujeto usando la función anterior para los siguientes
puntos dados. (2, 5), (4,6), (5,9), (8,5), (10,4). En el extremo izquierdo debe inclinarse 450 y
debe terminar horizontal en el extremo derecho.
>> x = [2 4 5 8 10];
>> y = [5 6 9 5 4];
>> z = [2: 0.01: 10]; Puntos para evaluar el trazador
>> p = trazadorsujeto(x, y, 1, 0, z); Puntos del trazador
>> plot(x, y, ’o’); Gráfico de los puntos
>> hold on
>> plot(z, p) Gráfico del trazador
>> axis([0,10,0,10]);
Gráfico del trazador cúbico sujeto junto con los puntos dados:
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
Coeficientes de los polinomios segmentarios del trazador cúbico sujeto
>> [a, b, c, d] = trazadorsujeto(x, y, 1, 0)
a=
0.5870 -1.4461 0.3535 -0.1728
b=
-1.4240 2.0980 -2.2402 0.9412
c=
1.0000 2.3480 2.2059 -1.6912
d=
5 6 9 5
Ejemplo comparativo
Comparación gráfica del polinomio de interpolación y los trazadores cúbicos, incluyendo el
trazador cúbico proporcionado con la función spline de MATLAB
Datos: (2, 7), (4, 8), (5, 9), (6, 8), (8,6)
>> x=[2 4 5 6 8];
>> y=[7 8 9 8 6];
>> plot(x,y,'o'),grid on,hold on
>> p=lagrange(x,y);
>> ezplot(p,[2,8])
>> z=[2:0.01:8];

165. 159
>> v=trazador(x,y,z);
>> plot(z,v)
>> w=spline(x,y,z);
>> plot(z,w)
>> t=trazadorsujeto(x,y,0,0,z);
>> plot(z,t)
(13 t4)/144 - (263 t 3)/144 + (919 t2)/72 -...+ 122/3
9
8.5
8
7.5
7
spline trazador sujeto con 0, 0
6.5
lagrange
trazador natural
6
5.5
2 3 4 5 6 7 8
t
6.10.7 Ejercicios con el trazador cúbico
1. Con los siguientes datos (x, y): (1.2, 4.6), (1.5, 5.3), (2.4, 6.0), (3.0, 4.8), (3.8, 3.1)
a) Encuentre el trazador cúbico natural
b) Encuentre el valor interpolado para x=2.25
2. Con los siguientes datos (x, y): y’(1.2) = 1, (1.5, 5.3), (2.4, 6.0), (3.0, 4.8), y’(3.8) = -1
a) Encuentre el trazador cúbico sujeto
b) Encuentre el valor interpolado para x=2.25
Use las funciones instrumentadas en MATLAB para comprobar sus resultados

166. 160
7 INTEGRACIÓN NUMÉRICA
Introducimos este capítulo mediante un problema de interés práctico en el que el modelo
matemático resultante es la evaluación de un integral. El objetivo es evaluar numéricamente un
integral y estimar la precisión del resultado.
Problema.
La siguiente función es fundamental en estudios estadísticos y
se denomina función de densidad de la distribución Normal 1 2
1 −2z
Estándar: Esta función permite calcular la probabilidad, P, que f (z) = e
la variable Z pueda tomar algún valor en un intervalo [a, b] 2π
según la siguiente definición:
b
z∈ℜ
P(a ≤ Z ≤ b) = ∫ f ( z )dz
a
Debido a que esta función no es integrable analíticamente, es necesario utilizar métodos
numéricos para estimar el valor de P.
Sea f una función integrable, definida en un intervalo cerrado y acotado [a, b] con a<b∈R. Es
de interés calcular el valor de A:
b
A = ∫ f(x)dx
a
En general hay dos situaciones en las que son útiles los métodos numéricos:
1) El integral existe pero es muy difícil o no se puede evaluar analíticamente.
2) Únicamente se conocen puntos de f(x) pero se requiere calcular en forma aproximada
el integral debajo de la curva descrita por los puntos dados
En ambos casos se trata de sustituir f(x) por alguna función más simple, siendo importante
además estimar la precisión del resultado obtenido.
7.1 Fórmulas de Newton-Cotes
El enfoque básico para obtener fórmulas de integración numérica consiste en aproximar la
función a ser integrada por el polinomio de interpolación. Las fórmulas así obtenidas se
denominan de Newton-Cotes.
Si los puntos están espaciados regularmente, se puede usar el conocido polinomio de
diferencias finitas o de Newton y para estimar el error se incluye el término del error del
polinomio de interpolación:
x − x0
f(x) = pn(s) + En(s), s=
h
1 2 1 1
pn(s) = f0 + ∆f0s + ∆ f0 s(s-1) + ∆3f0 s(s-1)(s-2) +….+ ∆nf0s(s-1)(s-2)...(s-n+1)
2! 3! n!
 s  n+1 (n+1)
En(s) =  h f (z), x0<x<xn
 n + 1
El uso de polinomios de diferente grado para aproximar a f genera diferentes fórmulas de
integración.
7.1.1 Fórmula de los trapecios
Esta fórmula usa como aproximación para f un polinomio de primer grado, es decir una recta:
f(x) ≅ p1(s) = f0 + ∆f0 s
En general, la aproximación mediante una sola recta en el intervalo [a, b] tendría poca
precisión, por lo que conviene dividir el intervalo [a, b] en m sub-intervalos y colocar en cada
uno, una recta cuyos extremos coinciden con f(x).

167. 161
La figura geométrica en cada intervalo es un trapecio. Sea Ai el área del trapecio i y sea Ti el
error de truncamiento respectivo, es decir la diferencia entre el área debajo de f(x) y el área de
cada trapecio i, i=1, 2, 3, …, m. El área se puede aproximar con:
b m
A = ∫ f(x)dx ≈ A1 + A2 + A3 + . . .+ Am = ∑A
i=1
i
a
Mientras que el error de truncamiento total será:
T = T1 + T 2 + T 3 + . . . + T m
Entonces si no hay puntos singulares ni discontinuidades en el intervalo [a, b] , es claro que
m
m→ ∞ ⇒ T→ 0 ⇒ ∑A
i=1
i →A
Por simplicidad se usarán puntos regularmente espaciados a una distancia h
b x1 x2 xm
A= ∫
a
f(x)dx ≈ ∫ p 1(s)dx +
x0
∫ p1(s)dx + …. +
x1
∫
x m− 1
p1(s)dx
A ≈ A1 + A2 + . . . + A m
b−a
m: cantidad de franjas espaciadas regularmente en h, siendo h =
m
Aproximación del integral con el área de trapecios
Para obtener la fórmula es suficiente encontrar el valor del área de un trapecio y luego extender
este resultado a las demás, como se indica a continuación.
Área del primer trapecio:
x1 x1
A1 = ∫ p1(s)dx = ∫ (f0 + ∆f0 s)dx
x0 x0
Mediante las sustituciones:
s = (x – x0)/h
x = x0 ⇒ S = 0
x = x1 ⇒ S = 1
dx = h ds
1
[ ]
1
1 1
A1 = ∫ (f0 + ∆f0 s)hds = h f0s +
2
∆f0s2
0
= h [f0 +
2
(f1 – f0)]
0
h
A1 = [f0 + f1], es la conocida fórmula de la geometría para el área de un trapecio
2
El resultado anterior se extiende directamente a los restantes intervalos:

168. 162
h h h
A ≈ A1 + A2 + …. + Am = [f0 + f1] + [f1 + f2] + ….. + [fm-1 + fm]
2 2 2
h
A≈ [f0 + 2f1 + 2f2 + ….. + 2fm-1 + fm]
2
Definición: Fórmula de los trapecios
m-1
h h
A≈ [f0 + 2f1 + 2f2 + ….. + 2fm-1 + fm] = [f0 + 2 ∑ fi + fm],
2 2 i =1
m es la cantidad de trapecios.
Ejemplo. La siguiente función no es integrable analíticamente. f(x) = x sen(x) , 0≤x≤2
Use la fórmula de los trapecios con m = 4, para obtener una respuesta aproximada del integral:
2
A= ∫0 f(x)dx
h
A≈ [f0 + 2f1 + 2f2 + 2f3 + f4], h b − a 2 − 0 0.5
= = =
2 m 4
0.5
= [f(0) + 2f(0.5) + 2f(1) + 2f(1.5) + f(2)] = 1.5225
2
Sin embargo, es necesario poder contestar una pregunta fundamental: ¿Cuál es la precisión
del resultado calculado?
7.1.2 Error de truncamiento en la fórmula de los trapecios
Es necesario estimar el error en el resultado obtenido con los métodos numéricos
Error al aproximar f(x) mediante p1(x) en el primer sub-intervalo:
 s
E1(s) =   h2f(2)(z1), x0<z1<x1
2
Cálculo del área correspondiente al error en el uso del polinomio para aproximar a f
x1 x1 x1
 s  2 (2) 1
∫ E1(s)dx = ∫  2  h f (z1)dx = ∫ 2 s(s − 1)h f
2 (2)
T1 = (z1 )dx
x0 x0   x0
Usando las sustituciones anteriores:
s = (x – x0)/h
x = x0 ⇒ S = 0
x = x1 ⇒ S = 1
dx = h ds
1
h3
T1 =
2 ∫ s(s − 1)f ''(z1)ds ,
0
Con el teorema del valor medio para integrales, puesto que s(s-1), no cambia de signo en el
intervalo [0,1], se puede sacar del integral la función f’’ evaluada en algún punto z1
desconocido, en el mismo intervalo.
1
h3
T1 = f’’(z1) ∫ s(s − 1)ds , x0<z1<x1
2 0
Luego de integrar, se obtiene
h3
T1 = - f’’(z1), x0<z1<x1
12
Este resultado se extiende a los m sub-intervalos en la integración
T = T1 + T2 + … + T m

169. 163
h3 h3 h3
T=- f’’(z1) - f’’(z2) - …. - f’’(zm)
12 12 12
h3
T=- [ f’’(z1) + f’’(z2) + …. + f’’(zm)]
12
h3
T=- mf’’(z), siendo z algún valor en el intervalo (a, b)
12
b−a
Mediante la sustitución h = , la fórmula se puede expresar de la siguiente forma
m
Definición. Fórmula del error de truncamiento en la fórmula de los trapecios
h2
T=– (b – a) f’’(z), a ≤ z ≤ b
12
Esta fórmula se utiliza para acotar el error de truncamiento.
Siendo z desconocido, para acotar el error se puede usar un criterio conservador tomando el
mayor valor de |f’’(z)|, a≤z≤b. Este criterio no proporciona una medida muy precisa para el error
y su aplicación puede ser un problema más complicado que la misma integración, por lo cual
se puede intentar usar como criterio para estimar el error, la definición de convergencia
indicada al inicio de esta sección, siempre que f sea una función integrable:
m
m→ ∞ ⇒ ∑A
i=1
i →A
m m'
Sean Am = ∑A
i=1
i , Am' = ∑A
i=1
i dos aproximaciones sucesivas con m y m' trapecios, m' >m
Entonces, se puede estimar el error de truncamiento absoluto del resultado con:
T ≈ |Am - Am'|
Mientras que el error de truncamiento relativo se puede estimar con:
| Am − Am' |
t ≈
| Am' |
Hay que tener la precaución de no usar valores muy grandes para m por el efecto del error de
redondeo acumulado en las operaciones aritméticas y que pudiera reducir la precisión en el
resultado.
En caso de conocer únicamente puntos de f, al no disponer de más información para estimar el
error de truncamiento, un criterio simple puede ser tomar el mayor valor de las segundas
diferencias finitas como una aproximación para la segunda derivada en la fórmula del error,
siempre que no cambien significativamente:
h2
T=- (b – a) f’’(z), a ≤ z ≤ b
12
∆2f
f’’(z) ≈ 2 i
h
(b-a)
T ≤ |- | max(| ∆ 2 fi |)
12
Esta fórmula también pudiera usarse para estimar el error de truncamiento en el caso de que
f(x) se conozca explícitamente y m haya sido especificado. Habría que tabular las diferencias
finitas para los puntos usados en la integración numérica y estimar el error con la fórmula
anterior.

170. 164
Ejemplo. Estime cuantos trapecios deben usarse para integrar f(x) = sen(x) en el intervalo
[0,2] de tal manera que la respuesta tenga el error absoluto menor a 0.0001
Se requiere que error de truncamiento cumpla la condición:
| T | < 0.0001
h2
|– (b – a) f’’(z) | < 0.0001
12
Siendo el valor de z desconocido se debe usar el máximo valor de f’’(z) = -sen(z), 0<z<2
max | f’’(z) | = 1
h2
|– (2 – 0) (1)| < 0.0001
12
De donde h2 < 0.0006
h < 0.0245
b−a
< 0.0245
m
Entonces m > (2 – 0)/0.0245
m > 81.63 ⇒ m = 82 trapecios
Ejemplo. Estime cuantos trapecios deben usarse para integrar f(x) = x sen(x) en el intervalo
[0,2] de tal manera que la respuesta tenga el error absoluto menor a 0.0001
Se requiere que error de truncamiento cumpla la condición:
| T | < 0.0001
h2
|– (b – a) f’’(z) | < 0.0001
12
Siendo el valor de z desconocido se debe usar el máximo valor de
cos(z) sen(z)
f=
''(z) − zsen(z) − , 0<z<2
z 4 z3
Problema demasiado complicado para estimar el mayor valor de la derivada y acotar el error.
En esta situación, se puede estimar el error comparando resultados con valores sucesivos de
m hasta que la diferencia sea suficientemente pequeña. Para los cálculos conviene
instrumentar una función en MATLAB.
En este ejemplo no se pueden tabular las diferencias finitas para estimar f''(x) con ∆2f(x) pues
m no está especificado
Ejemplo. Estime el error de truncamiento en la integración de f(x) = x sen(x) , 0≤x≤2 con la
fórmula de los trapecios con m = 4
En este caso, se tabulan los cinco puntos de f(x) para estimar el error, aproximando la derivada
con la diferencia finita respectiva:
x f ∆f ∆2f
0.0 0.0000 0.3390 0.1635
0.5 0.3390 0.5025 -0.1223
1.0 0.8415 0.3802 -0.3159
1.5 1.2217 0.0643
2.0 1.2859
(b-a) (2-0)
T ≤ |- | max(| ∆ 2 fi |) = (0.3159) = 0.0527
12 12

171. 165
Ejemplo. Dados los puntos de una función f: (0.1, 1.8), (0.2, 2.6), (0.3, 3.0), (0.4, 2.8), (0.5, 1.9)
Calcule el área A debajo de f aproximando mediante cuatro trapecios y estime el error en el
resultado obtenido.
0.1
A= [1.8 + 2(2.6) + 2(3.0) + 2(2.8) + 1.9] = 1.0250
2
Al no disponer de más información, se usarán las diferencias finitas para estimar el error
x f ∆f ∆2f
0.1 1.8 0.8 -0.4
0.2 2.6 0.4 -0.6
0.3 3.0 -0.2 -0.7
0.4 2.8 -0.9
0.5 1.9
(b-a) (0.5-0.1)
T ≤ |- | max(| ∆ 2 fi |) = (0.7) = 0.0233
12 12
Esto indicaría que solamente podemos tener confianza en el primer decimal
7.1.3 Instrumentación computacional de la fórmula de los trapecios
Si se quiere integrar debajo de una función dada en forma explícita, conviene definir una
función de MATLAB para evaluar el integral dejando como dato el número de trapecios m. Los
resultados calculados pueden usarse como criterio para estimar el error de truncamiento.
En la siguiente instrumentación debe suministrarse la función f (definida en forma simbólica y
en formato inline), el intervalo de integración a, b y la cantidad de franjas o trapecios m
function r = trapecios(f, a, b, m)
h=(b-a)/m;
s=0;
for i=1: m - 1
s=s + f(a + i*h);
end
r = h/2*(f(a) + 2*s + f(b));
Ejemplo. Probar la función esta función para integral f(x)=sen(x), 0≤x≤2
>> syms x;
>> f = sin(x);
>> t = trapecios(inline(f), 0, 2, 5)
t=
1.397214
Se puede probar con más trapecios para mejorar la aproximación
>> t = trapecios(inline(f), 0, 2, 50)
t=
1.415958
>> t = trapecios(inline(f), 0, 2, 500)
t=
1.416144
Compare con el valor exacto que proporciona MATLAB
>> t = eval(int(f,0,2))
t=
1.416146…

172. 166
Los resultados tienden hacia el valor exacto a medida que se incrementa el número de
trapecios. Estos resultados pueden usarse como criterio para determinar la precisión de la
aproximación.
2
Ejemplo. La siguiente función no es integrable analíticamente: S = ∫0 x s en(x)dx
Use la fórmula de los trapecios para obtener la respuesta aproximada y estimar el error.
x 1/2 sin(x)
>> syms x 1.4
>> f=sqrt(x)*sin(x);
1.2
>> ezplot(f,[0,2]),grid on
>> r=trapecios(inline(f),0,2,10) 1
r= 0.8
1.5313 0.6
>> r=trapecios(inline(f),0,2,20)
0.4
r=
1.5323 0.2
>> r=trapecios(inline(f),0,2,40) 0
r= 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
1.5326 x
>> r=trapecios(inline(f),0,2,50)
r=
1.5326
El último resultado tiene cuatro decimales que no cambian y se pueden considerar correctos.
7.1.4 Fórmula de Simpson
Esta fórmula usa como aproximación para f un polinomio de segundo grado, o parábola:
1 2
f(x) ≅ p2(s) = f0 + ∆f0 s + ∆ f0 s(s-1)
2
La integración se realiza dividiendo el intervalo de integración [a, b], en subintervalos,
incluyendo tres puntos en cada uno para colocar una parábola.
Por simplicidad se usarán puntos regularmente espaciados a una distancia h
b x2 x4 xm
A= ∫ f(x)dx ≅ ∫ p2 (s)dx + ∫ p2 (s)dx + …. + ∫ p 2 (s)dx
a x0 x2 x m− 2
A ≅ A1 + A2 + …. + Am/2
El área de dos intervalos consecutivos es aproximada mediante el área debajo de parábolas.
Los puntos son numerados x0, x1, ..., xm, Siendo m debe ser un número par. Así, la
cantidad de parábolas es m/2.
h=(b-a)/m

173. 167
Para obtener la fórmula se debe encontrar el valor del área para una parábola:
x2 x2
1
∫ p2 (s)dx = ∫ [f0 + ∆fs s + 2 ∆ f0 s(s − 1)] dx
2
A1 =
x0 x0
Mediante las sustituciones:
s = (x – x0)/h
x = x0 ⇒ s = 0
x = x2 ⇒ s = 2
dx = h ds
2
1
∫ (f0 + ∆f0 s + 2 ∆ f0 s(s − 1)hds
2
A1 =
0
Luego de integrar, sustituir las diferencias finitas y simplificar se tiene
h
A1 = [f0 + 4 f1 + f2 ] es el área debajo de la parábola en la primera franja
3
Por lo tanto, habiendo m/2 franjas, el área total es la suma:
A = A1 + A2 + …. + Am/2
Después de sustituir y simplificar se obtiene la fórmula de integración
Definición. Fórmula de Simpson (fórmula de las parábolas)
h
A= [f0 + 4f1 + 2f2 + 4f3 +….. + 2fm-2 + 4fm-1 + fm]
3
m es un parámetro para la fórmula (debe ser un número par)
7.1.5 Error de truncamiento en la fórmula de Simpson
Del análisis del error se obtiene
h4
T=– (b–a) f(4)(z), a<z<b
180
Esta fórmula se puede usar para acotar el error de truncamiento. Bajo ciertas consideraciones
y si se conoce m, se puede estimar la derivada con la diferencia finita correspondiente:
∆4f (b-a)
f(4)(z) ≅ 4 i , T ≅– max| ∆ 4 fi |
h 180
Ejemplo
Dados los puntos de una función f: (0.1, 1.8), (0.2, 2.6), (0.3, 3.0), (0.4, 2.8), (0.5, 1.9)
Calcule el área debajo de f mediante una aproximación con parábolas.
Aproximación del área mediante parábolas
La suma del área debajo de las dos parábolas, con la fórmula anterior:
h
A = [f0 + 4f1 + 2f2 + 4f3 + f4]
3

174. 168
0.1
A= (1.8 + 4(2.6) + 2(3.0) + 4(2.8) + 1.9) = 1.0433
3
Este resultado es aproximadamente igual al área debajo de f.
Estimar el error en el resultado obtenido
Al no disponer de más información, se usarán las diferencias finitas para estimar el error
x f ∆f ∆2f ∆3f ∆4f
0.1 1.8 0.8 -0.4 -0.2 0.1
0.2 2.6 0.4 -0.6 -0.1
0.3 3.0 -0.2 -0.7
0.4 2.8 -0.9
0.5 1.9
h4
T=– (b – a) f(4)(z), a<z<b
180
(b-a) (0.5-0.1)
T ≤ |- | max| ∆ 4 fi | = (0.1) = 0.00022
180 180
Esto indicaría que podemos tener confianza en la respuesta hasta el tercer decimal. Resultado
mejor que el obtenido con la Regla de los Trapecios
Ejemplo. Si f es una función diferenciable en el intervalo [a,b], la longitud del arco de la curva
b
=
f(x) en ese intervalo se puede calcular con el integral S ∫ a
1 + [f '(x)]2 dx
Calcular la longitud del arco de la curva f(x)=sen(x), x∈[0, 2] usando 2 parábolas (m = 4)
b
=
Longitud del arco: S ∫ a
1 + [f '(x)]2 dx
2 2
=s ∫
0
=
g(x)dx ∫
0
1 + cos2 (x)dx (no se puede evaluar analíticamente)
b−a 2−0
=h = = 0.5
m 4
h
S = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
0.5
S= [g(0) + 4g(0.5) + 2g(1) + 4g(1.5) + g(2)]
3
S = 2.3504
Estimar el error en el resultado anterior
Dado que m está especificado, se usa una aproximación de diferencias finitas para la derivada
en la fórmula del error de truncamiento
h4
T=– (b – a) f(4)(z), a<z<b
180
x f ∆f ∆2f ∆3f ∆4f
0.0 1.4142 -0.0837 -0.1101 0.1698 -0.0148
0.5 1.3305 -0.1938 0.0597 0.1551
1.0 1.1366 -0.1341 0.2148
1.5 1.0025 0.0806
2.0 1.0831
(b-a) (2-0)
T≤|- | max( ∆ 4 fi )= (0.0148) = 0.00016
180 180
Es una cota aproximada para el error de truncamiento

175. 169
7.1.6 Instrumentación computacional de la fórmula de Simpson
La función recibirá a la función f definida en forma simbólica, el intervalo de integración a, b y la
cantidad de franjas m
function r = simpson(f, a, b, m)
h=(b-a)/m;
s=0;
for i=1:m-1
s=s+2*(mod(i,2)+1)*f(a+i*h); %Sumar los términos con coeficientes 4, 2, 4, 2,...,4
end
r=h/3*(f(a) + s + f(b));
=
Ejemplo. Integrar f ( x ) 1 + cos 2 ( x ) 0≤x≤2, con la fórmula de Simpson iterativamente
hasta que el error de truncamiento sea menor que 0.0001
>> syms x
>> f = sqrt(1+(cos(x))^2);
>> r=simpson(inline(f),0,2,4)
r=
2.3504
>> r=simpson(inline(f),0,2,8)
r=
2.3516
>> r=simpson(inline(f),0,2,12)
r=
2.3517
>> r=simpson(inline(f),0,2,16)
r=
2.3517
7.1.7 Error de truncamiento vs. Error de redondeo
En las fórmulas de integración numérica se observa que el error de truncamiento depende de h
h2
Fórmula de los Trapecios: T=– (b – a) f’’(z) = O(h2)
12
h4
Fórmula de Simpson: T=– (b – a) f(4)(z) = O(h4)
180
b−a
Además h=
m
Entonces, para ambas fórmulas, cuando h → 0 ⇒ T → 0
Está claro que la fórmula de Simpson converge más rápido, supuesto que h<1
Por otra parte, al evaluar cada operación aritmética se puede introducir un error de redondeo Ri
si no se conservan todos los dígitos decimales en los cálculos numéricos. La suma de estos
errores es el error de redondeo acumulado R. Mientras más sumas se realicen, mayor es la
cantidad de términos que acumulan error de redondeo.
R = R1 + R2 + R3 + …. + Rm
Estos errores de redondeo pueden tener signos diferentes y anularse, pero también puede
ocurrir que tengan igual signo, por lo tanto el valor puede crecer
b−a
Siendo m = , cuando h → 0 ⇒ m → ∞ ⇒ R puede crecer
h

176. 170
En conclusión, para prevenir el crecimiento de R, es preferible usar fórmulas que no requieran
que m sea muy grande para obtener el resultado con una precisión requerida. Este es el motivo
para preferir la fórmula de Simpson sobre la fórmula de los Trapecios.
Ejemplo. Encontrar el área entre f(x) = 4 + cos(x+1), y g(x)=ex sen(x), que incluya el área
entre las intersecciones de f y g en el primer cuadrante. Use la Regla de Simpson, m=10.
>> syms x
>> f=4+x*cos(x+1);
>> g=exp(x)*sin(x);
>> ezplot(f,[0,3.5]),grid on
>> hold on
>> ezplot(g,[0,3.5])
e p( ) s ( )
8
6
4
2
0
-2
-4
-6
0 0.5 1 1.5 2 2.5 3 3.5
x
Se utiliza un método numérico para calcular las intersecciones:
>> h=f - g;
>> a=biseccion(inline(h),1,1.5,0.0001)
a=
1.2337
>> b=biseccion(inline(h),3,3.2,0.0001)
b=
3.0407
Finalmente se integra:
>> s=simpson(inline(h),a,b,10)
s=
6.5391
Comparación con el valor que proporciona la function int de MATLAB
>> r=eval(int(h,a,b))
r=
6.5393

177. 171
7.2 Obtención de fórmulas de integración numérica con el método de
coeficientes indeterminados
En esta sección se describe una técnica denominada de los Coeficientes Indeterminados para
obtener fórmulas de integración numérica.
El procedimiento consiste en proponer una fórmula conteniendo algunas incógnitas. Esta
fórmula es aplicada a casos conocidos con el propósito de obtener ecuaciones, de las cuales
se determinan finalmente los valores para las incógnitas.
Como ejemplo se usa este método para obtener una fórmula de tres puntos espaciados en h:
Fórmula propuesta
2h
A= ∫ f(x)dx = c0 f(0) + c1f(h) + c2 f(2h)
0
Deben determinarse los coeficientes c0, c1, c2. Para obtenerlos, se usarán tres casos con
polinomios de grado 0, 1 y 2 con los cuales queremos que se cumpla la fórmula. Es suficiente
considerar la forma más simple de cada caso:
1) f(x) = 1,
2h
A= ∫ (1)dx = 2h = c0 f(0) + c1f(h) + c2 f(2h) = c0 (1) + c1(1) + c2 (1) ⇒ c0 + c1 + c2 = 2h
0
2) f(x) = x,
2h
A= ∫ xdx = 2h2 = c0 f(0) + c1f(h) + c2 f(2h) = c0 (0) + c1(h) + c2 (2h) ⇒ c1 + 2c2 = 2h
0
3) f(x) = x2,
2h
8 3 8
A= ∫x dx= h = c0 f(0) + c1f(h) + c2 f(2h)= c0 (0) + c1(h2 ) + c2 (4h2 ) ⇒ c1 + 4c2=
2
h
0
3 3
h 4h h
=
Resolviendo las tres ecuaciones resultantes se obtienen: c0 = , c1 =
, c2
3 3 3
Reemplazando en la fórmula propuesta se llega a la conocida fórmula de Simpson
h
A= (f(0) + 4f(h) + f(2h))
3
La obtención de la fórmula implica que es exacta si f es un polinomio de grado menor o igual a
dos. Para otra f, será una aproximación equivalente a sustituir f por un polinomio de grado dos.

178. 172
7.3 Cuadratura de Gauss
Las fórmulas de Newton-Cotes estudiadas utilizan polinomios de interpolación construidos con
puntos fijos equidistantes. Estas fórmulas son exactas si la función es un polinomio de grado
menor o igual al polinomio de interpolación respectivo.
Si se elimina la restricción de que los puntos sean fijos y equidistantes, entonces las fórmulas
de integración contendrán incógnitas adicionales.
La cuadratura de Gauss propone una fórmula general en la que los puntos incluidos no son
fijos como en las fórmulas de Newton-Cotes:
b
=
A ∫ f(x)dx
= c0 f(t 0 ) + c1f(t1 ) + ... + cm f(t m )
a
Los puntos t0, t1, ..., tm, son desconocidos. Adicionalmente también deben determinarse los
coeficientes c0, c1, ..., cm
El caso simple es la fórmula de dos puntos. Se usa el método de los coeficientes
indeterminados para determinar las cuatro incógnitas
7.3.1 Fórmula de la cuadratura de Gauss con dos puntos
Fórmula propuesta
b
=A ∫ f(x)dx
= c0 f(t 0 ) + c1f(t1 )
a
Por simplicidad se usará el intervalo [-1, 1] para integrar. Mediante una sustitución será
extendido al caso general:
1
=A ∫=
f(t)dt c0 f(t 0 ) + c1f(t1 )
−1
Habiendo cuatro incógnitas se tomarán cuatro casos en los que la fórmula sea exacta. Se
usarán polinomios de grado 0, 1, 2, 3. Es suficiente considerarlos en su forma más simple:
1
1) f(t)=1, A = ∫ (1)dt = 2 = c0 f(t0 ) + c1f(t1) =c0 (1) + c1(1) ⇒ 2 = c0 + c1
−1
1
2) f(t)=t, A = ∫ tdt = 0 = c0 f(t0 ) + c1f(t1) =c0 t0 + c1t1 ⇒ 0 = c0 t0 + c1t1
−1
1
2 2
3) f(t)=t2, A = ∫t dt = = c0 f(t 0 ) + c1f(t1 ) =c0 t 0 + c1t1 ⇒ = c0 t 2 + c1t1
2 2 2 2
0
−1
3 3
1
4) f(t)=t3, A = ∫t dt = 0 = c0 f(t 0 ) + c1f(t1 ) =c0 t 0 + c1t1 ⇒ 0 = c0 t 3 + c1t1
3 3 3 3
0
−1
Se genera un sistema de cuatro ecuaciones no-lineales. Una solución para este sistema se
obtiene con facilidad mediante simple sustitución:
Los valores c0 = c1 = 1 satisface a la ecuación 1).
De la ecuación 2) se tiene t0 = -t1. Esto satisface también a la ecuación 4).
2 2
Finalmente, sustituyendo en la ecuación 3): 2/3 = (1)(-t1) + (1)(t1) se obtiene:
1 1
t1 = , entonces, t 0 = − y se reemplazan en la fórmula propuesta:
3 3

179. 173
Definición: Fórmula de cuadratura de Gauss con dos puntos
1
1 1
∫
A = f(t)dt = f(t 0 ) + c1f(t1 ) =−
c0 f(
3
) + f(
3
)
−1
Esta simple fórmula es exacta si f es un polinomio de grado menor o igual a tres. Para otra f es
una aproximación equivalente a sustituir f con un polinomio de grado tres.
1
Ejemplo. Calcule = ∫ (2t + t 2 − 1)dt
3
A
−1
1
1 1 1 3 1 2 1 3 1 2
∫ f(t)dt = 3 ) + f( 3 ) = 3 ) + (− 3 ) − 1] + [2( 3 ) + ( 3 ) − 1] =
A= f(− [2(− -4/3
−1
La respuesta es exacta pues f es un polinomio de grado 3
Mediante un cambio de variable se extiende la fórmula al caso general:
b
=A ∫ f(x)dx
= c0 f(t 0 ) + c1f(t1 )
a
b−a b+a
=
Sea x t+
2 2
b−a
Se tiene que t = 1 ⇒ x = b, t = -1 ⇒ x = a, dx = dt
2
Sustituyendo se tiene
Definición: Fórmula general de Cuadratura de Gauss para dos puntos
.
b 1
b−a b−a b+a b−a 1 1 
=
A ∫ f(x)dx
= ∫ f( 2 t + 2 )dt 2  f(− 3 ) + f( 3 )
2 −1
=  
a
2
Ejemplo. Calcule A = ∫ xe x dx con la fórmula de la Cuadratura de Gauss con dos puntos
1
b−a b+ a 2−1 2+1 1 3
x= t+ = t+ =t+
2 2 2 2 2 2
b 1
b−a b−a b+a
=A ∫=
f(x)dx ∫ f( 2 t + 2 )dt
2 −1
a
1 1 1 3
1 1 3 1 1 3 t+
= ∫ f( 2t + 2 )dt 2 ∫ ( 2 t + 2 )e 2 2 dt
2 −1
=
−1
1 1 1
= [f(− ) + f( )]
2 3 3
1
1 3 1 3 
1 3 − + 1 3 +
= (− + )e 2 3 2 ) + ( + )e 2 3 2 )  = 7.3832
2 2 3 2 2 3 2 
 
La respuesta exacta con seis decimales es 7.389056.
Se observa que usando únicamente dos puntos se tiene una precisión mejor que usando la
fórmula de Simpson con tres puntos.

180. 174
7.3.2 Instrumentación computacional de la cuadratura de Gauss
function s = cgauss(f, a, b)
t1=-(b-a)/2*1/sqrt(3)+(b+a)/2;
t2= (b-a)/2*1/sqrt(3)+(b+a)/2;
s = (b-a)/2*(f(t1) + f(t2));
2
Ejemplo. Use la función cgauss para calcular A = ∫ xe x dx
1
>> syms x
>> f=x*exp(x);
>> s=cgauss(inline(f),1,2)
s = 7.3832
Para mejorar la precisión de ésta fórmula se la puede aplicar más de una vez dividiendo el
intervalo de integración en sub-intervalos.
Ejemplo. Aplique dos veces la cuadratura de Gauss en el ejemplo anterior
2 1.5 2
A = ∫ xe x dx = A1 + A2 = ∫ xe
x
dx + ∫ xe
x
dx
1 1 1.5
En cada subintervalo se aplica la fórmula de la Cuadratura de Gauss:
>> syms x
>> f=x*exp(x);
>> s=cgauss(inline(f),1,1.5) + cgauss(inline(f),1.5,2)
s = 7.3886
Se puede dividir el intervalo en más sub-intervalos para obtener mayor precisión. Conviene
definir una función en MATLAB para determinar la precisión del resultado, comparando valores
consecutivos, en base a la convergencia del integral.
7.3.3 Instrumentación extendida de la cuadratura de Gauss
function t=cgaussm(f, a, b, m)
h=(b-a)/m;
t=0;
x=a;
for i=1:m
a=x+(i-1)*h;
b=x+i*h;
s=cgauss(f,a,b);
t=t+s;
end
m es la cantidad de sub-intervalos

181. 175
Ejemplo. Aplicar sucesivamente la Cuadratura de Gauss incrementando el número de sub-
intervalos, hasta que la respuesta tenga cuatro decimales exactos
>> syms x
>> f=x*exp(x);
>> s=cgaussm(inline(f),1,2,1)
s=
7.3833
>> s=cgaussm(inline(f),1,2,2)
s=
7.3887
>> s=cgaussm(inline(f),1,2,3)
s=
7.3890
>> s=cgaussm(inline(f),1,2,4)
s=
7.3890
En el último cálculo se han usado 4 sub-intervalos. El valor obtenido tiene cuatro decimales
fijos
Para obtener fórmulas de cuadratura de Gauss con más puntos no es práctico usar el método
de coeficientes indeterminados. Se puede usar un procedimiento general basado en la teoría
de polinomios ortogonales. En la bibliografía se pueden encontrar estas fórmulas así como
expresiones para estimar el error de truncamiento pero imprácticas para su uso.
7.4 Integrales con límites infinitos
Estos integrales se denominan integrales impropios del primer tipo
Ocasionalmente puede ser de interés calcular integrales cuyos límites no se pueden evaluar en
las fórmulas de integración. Mediante alguna sustitución deben reducirse a una forma simple
eliminando estos límites impropios.
∞
dx
Ejemplo. Calcule A = ∫ (1 + x2 )3 con la Cuadratura de Gauss, m = 1, 2, 4
0
Antes de la sustitución conviene separar el integral en dos sub-intervalos
∞ 1 ∞
dx dx dx
A = 2 3 =2 3 + ∫
∫ (1 + x ) ∫ (1 + x ) =2
A1 + A
1 (1 + x )
2 3
0 0
A1 se puede calcular inmediatamente con la Cuadratura de Gauss
Para A2 se hace la sustitución
x = 1/t
x → ∞ ⇒ t → 0, x = 1 ⇒ t = 1, dx = -1/t2 dt
∞ 0 1
dx 1 dt t4
=
A2 ∫ (1 +=x 2 )3
∫ (1 + 1/ t2 )3 (=
− 2)
t
∫ (1 + t2 )3 dt
1 1 0
Ahora se puede aplicar también la Cuadratura de Gauss
Resultados calculados:
m=1: A = A1+A2 = 0.6019
m=2: A = A1+A2 = 0.5891
m=4: A = A1+A2 = 0.5890
El último resultado tiene un error en el orden de 0.0001

182. 176
7.5 Integrales con singularidades
Estos integrales se denominan integrales impropios del segundo tipo
Mediante alguna sustitución deben reducirse a una forma eliminando los puntos singulares.
1
2x
Ejemplo. Calcule A = ∫ (x − 1)2 / 5 dx con la fórmula de Simpson, m=4 y estimar el error
0
Mediante una sustitución adecuada se puede eliminar el punto singular
x-1 = u5: x=1⇒ u=0
x = 0 ⇒ u = -1
dx = 5u4du
2u + 1
5
1 0 0 0
2x
= ∫
A = dx ∫ u2 (5u du)
= 4
∫= ∫ f(u)du
5(2 u5 + 1 2
u )du
0 (x − 1)
2/5
−1 −1 −1
integral bien definido en [-1,0]
Regla de Simpson, m=4
h
A = [f0 + 4f1 + 2f2 + 4f3 + f4]
3
m = 4 ⇒ h = 0.25
A = 0.25/3(f(-1)+4f(-0.75)+2f(-0.5)+4f(-0.25)+f(0)) = 2.6232
Estimación del error
Al no disponer de más información, se usarán las diferencias finitas para estimar el error
x f ∆f ∆2f ∆3f ∆4f
-1 1.2500 -0.0570 -0.5243 0.6502 -0.4768
-0.75 1.1930 -0.5814 0.1259 0.1734
-0.5 0.6116 -0.4555 0.2993
-0.25 0.1561 -0.1561
0 0
(b-a) (0 - (-1))
T≤|- | max(| ∆ 4 fi |) = (0.4768) = 0.0026
180 180
Nota.- Este integral no puede evaluarse analíticamente. Si se usa la fórmula de Simpson
incrementando el número de franjas, el resultado tiende a 2.6246019… consistente con el
error calculado con la fórmula anterior.
1
sen(x)
Ejemplo. Calcule A = ∫ x
dx con la Cuadratura de Gauss con m=1, 2
0
La fórmula de la Cuadratura de Gauss no requiere evaluar f en los extremos, por lo tanto se
puede aplicar directamente:
b
b−a b−a 1 b+a b−a 1 b+a 
A= ∫ f(x)dx= 2 

f(−
2 3
+
2
) + f(
2 3
+ )
2  
a
Aplicando la fórmula en el intervalo [0, 1]:
A = 0.94604
Aplicando la fórmula una vez en cada uno de los intervalos [0, 0.5] y [0.5, 1] y sumando:
A = 0.94608
Comparando ambos resultados se puede estimar el error en el quinto decimal.
NOTA: Para calcular el integral no se puede aplicar la fórmula de Simpson pues ésta requiere
evaluar f(x) en los extremos. En este ejemplo, se tendría un resultado indeterminado al evaluar
en x = 0

183. 177
7.6 Integrales múltiples
Para evaluar integrales múltiples se pueden usar las reglas de integración numérica anteriores
integrando separadamente con cada variable:
db db 
Suponer que se desea integrar V = ∫ ∫ f(x, y)dxdy = ∫  ∫ f(x, y)dx  dy con la regla de Simpson
 
ca ca 
con m subintervalos en ambas direcciones.
Se puede aplicar la regla integrando en la dirección X fijando Y en cada punto. Los símbolos
∆x y ∆y denotan la distancia entre los puntos en las direcciones X, Y, respectivamente.
∆y  
b b b b b
V≅
3 
 ∫ f(x,y0 )dx + 4 ∫ f(x,y1 )dx + 2 ∫ f(x,y2 )dx + 4 ∫ f(x,y3 )dx + . . .+ ∫ f(x,ym )dx 

 a a a a a 
b
∆x
∫ f(x, y0 )dx ≅ ( f(x0 , y0 ) + 4f(x1, y0 ) + 2f(x2 , y0 ) + 4f(x3 , y0 ) + . . . + f(xm , y0 ) )
a
3
b
∆x
∫ f(x, y1)dx ≅ ( f(x0 , y1 ) + 4f(x1, y1 ) + 2f(x2 , y1 ) + 4f(x3 , y1 ) + . . . + f(xm , y1 ) )
a
3
b
∆x
∫ f(x, y2 )dx ≅ ( f(x0 , y2 ) + 4f(x1, y2 ) + 2f(x2 , y2 ) + 4f(x3 , y2 ) + . . . + f (xm , y2 ) )
a
3
b
∆x
∫ f(x, y3 )dx ≅ ( f(x0 , y3 ) + 4f(x1, y3 ) + 2f(x2 , y3 ) + 4f(x3 , y3 ) + . . . + f(xm , y3 ) )
a
3
. . .
b
∆x
∫ f(x, ym )dx ≅ ( f(x0 , ym ) + 4f(x1, ym ) + 2f(x2 , ym ) + 4f(x3 , ym ) + . . . + f(xm , ym ) )
a
3
Ejemplo. Calcule el integral de f(x,y)=sen(x+y), 0≤x≤1, 2≤y≤3, con m = 2 en cada dirección.
31 3 1 
=V ∫ ∫ sen(x + y)dxdy =∫  ∫ sen(x + y)dx  dy,
 
∆x = y =
∆ 0.5
20 20 
0.5  
1 1 1
V≅  ∫ sen(x+2)dx + 4 ∫ sen(x+2.5)dx + ∫ sen(x+3)dx 
3 0
 0 0 

1
0.5
∫ sen(x + 2)dx ≅ ( sen(0 + 2) + 4sen(0.5 + 2) + sen(1 + 2) ) =
0.5741
0
3
1
0.5
∫ sen(x + 2.5)dx ≅ ( sen(0 + 2.5) + 4sen(0.5 + 2.5) + sen(1 + 2.5) ) =
0.1354
0
3
1
0.5
∫ sen(x + 3)dx ≅ ( sen(0 + 3) + 4sen(0.5 + 3) + sen(1 + 3) ) =
-0.3365
0
3
0.5
V≅ [ 0.5741+ 4(0.1354) +(-0.3365)] =
0.1299
3

184. 178
Ejemplo. Un lago tiene forma aproximadamente rectangular de 200m x 400m. Se ha trazado
un cuadriculado y se ha medido la profundidad en metros en cada cuadrícula de la malla como
se indica en la tabla siguiente:
X 0 100 200 300 400
Y
0 0 0 4 6 0
50 0 3 5 7 3
100 1 5 6 9 5
150 0 2 3 5 1
200 0 0 1 2 0
Con todos los datos de la tabla estime el volumen aproximado de agua que contiene el lago.
Utilice la fórmula de Simpson en ambas direcciones.
db
V= ∫ ∫ f(x, y)dxdy
ca
∆x  ∆y
=   f(x 0 , y0 ) + 4f(x 0 , y1 ) + 2f(x 0 , y2 ) + 4f(x 0 , y3 ) + f(x 0 , y4 )
3  3  
V
∆y
+4  f(x1 , y0 ) + 4f(x1 , y1 ) + 2f(x1 , y2 ) + 4f(x1 , y3 ) + f(x1 , y3 )
3  
∆y
+2  f(x 2 , y0 ) + 4f(x 2 , y1 ) + 2f(x 2 , y2 ) + 4f(x 2 , y3 ) + f(x 2 , y4 )
3  
∆y
+4  f(x 3 , y0 ) + 4f(x 3 , y1 ) + 2f(x 3 , y2 ) + 4f(x 3 , y3 ) + f(x 3 , y4 )
3  
∆y
+  f(x 4 , y0 ) + 4f(x 4 , y1 ) + 2f(x 4 , y2 ) + 4f(x 4 , y3 ) + f(x 4 , y4 ) }
3  
100  50
=V  [ 0 + 4(0) + 2(1) + 4(0) + 0]
3 3
50
+ 4 [ 0 + 4(3) + 2(5) + 4(2) + 0]
3
50
+ 2 [ 4 + 4(5) + 2(6) + 4(3) + 1]
3
50
+4 [ 6 + 4(7) + 2(9) + 4(5) + 2]
3
50
+ [ 0 + 4(3) + 2(5) + 4(1) + 0] }
3
V = 287777.78 metros cúbicos de agua

185. 179
Ejemplo. Calcule el integral de f(x,y)=(x2+y3), 0≤x≤1, x≤y≤2x. Use la fórmula de Simpson con
m = 2 en cada dirección.
1 2x
= ∫ ∫ (x + y3 )dydx
2
V
0 x
Puntos para la integración numérica:
y
x 1.5x 2x ∆y
0 0 0 0 0
x 0.5 0.5 0.75 1 0.25
1 1 1.5 2 0.5
Los límites y la distancia de los sub-intervalos para integrar en Y cambian dependiendo de X:
∆x  ∆y
=   f(x 0 , y0 ) + 4f(x 0 , y1 ) + f(x 0 , y2 )
3  3  
V
∆y
+4  f(x1 , y0 ) + 4f(x1 , y1 ) + f(x1 , y2 )
3  
∆y
 f(x 2 , y0 ) + 4f(x 2 , y1 ) + f(x 2 , y2 ) }
3  
+
0.5  0
=V  [ f(0,0) + 4f(0,0) + f(0,0)]
3 3
0.25
+4  f(0.5, y0 ) + 4f(0.5,0.75) + f(0.5,0.75)
3  
0.5
+ [ f(1,1) + 4f(1,1.5) + f(1,2)] = 0.7917
3
7.6.1 Instrumentación computacional de la fórmula de Simpson en dos direcciones
Se instrumenta el método de Simpson para una función de dos variables f(x,y). Primero se
integra en la dirección X y después, con los resultados obtenidos, se aplica nuevamente la
fórmula de Simpson en la dirección Y.
f: función de dos variables
ax, bx, ay, by: límites de integración en las direcciones x, y respectivamente
mx, my: cantidad de franjas en cada dirección
function s=simpson2(f, ax, bx, ay, by, mx, my)
dy=(by-ay)/my;
y=ay;
for i=1:my+1
g = subs(f,'y',y); %Sustituye en f el símbolo y por cada valor
r(i) = simpson(inline(g), ax, bx, mx);
y = y+dy;
end
s=0;
for i=2:my
s=s+2*(2-mod(i,2))*r(i);
end
s=dy/3*(r(1)+s+r(my+1));

186. 180
Ejemplo.
11
= ∫ ∫ cos(x + y)(x + y)dxdy con la regla de Simpson instrumentada en la función
2
Calcule V
00
anterior. Use m=4,8,12,… en ambas variables para determinar la convergencia.
Gráfico de la superficie usando comandos de MATLAB
>> x=0:0.1:1; Definir coordenadas para el plano XY
>> y=0:0.1:1;
>> [u,v]=meshgrid(x,y); Definir la malla de puntos para evaluar
>> f=cos(u.^2+v)*(u+v); Obtener puntos de la superficie
>> surf(x,y,f) Gráfico de la superficie
>> colormap copper Definir el color
Se observa que el integral entre el plano X-Y debajo de la superficie existe y está bien definido.
Solución con la función simpson2
>> format long
>> syms x y;
>> f=cos(x^2+y)*(x+y);
>> v=simpson2(f,0,1,0,1,4,4)
v=
0.500415316612236
>> v=simpson2(f,0,1,0,1,8,8)
v=
0.500269266271819
>> v=simpson2(f,0,1,0,1,12,12)
v=
0.500258596816339
>> v=simpson2(f,0,1,0,1,16,16)
v=
0.500256714328757
>> v=simpson2(f,0,1,0,1,20,20)
v=
0.500256191304419
Si se incrementa el número de franjas, el resultado tiende a un valor fijo que es el integral.
Nota. Este integral no se puede resolver por métodos analíticos o con MATLAB:
>> syms x y;
>> f=cos(x^2+y)*(x+y);
>> v=eval(int(int(f,0,1),0,1))
Error using …

187. 181
7.7 Ejercicios y problemas de integración numérica
2
∫
1. Se desea calcular numéricamente A = ln(x)dx con la Regla de los Trapecios. Use la
1
fórmula del error de truncamiento respectiva y sin realizar la integración, estime la cantidad de
trapecios que tendría que usar para que la respuesta tenga cinco decimales exactos.
2. Se desea integrar f(x) = exp(x) + 5x3 , x ∈ [0, 2]
a) Use la fórmula del error para determinar la cantidad de trapecios que se deberían usar para
obtener la respuesta con 2 decimales exactos.
b) Calcule la respuesta usando la cantidad de trapecios especificada
3. a) Encuentre en forma aproximada el área debajo de f(x), 0≤x≤1.6 Use la fórmula de
Simpson incluyendo los cinco puntos tomados mediante aproximación visual del gráfico.
b) Estime el error en el resultado obtenido con una aproximación de diferencias finitas.
4. En el siguiente gráfico se muestra delineada la zona de un derrame de petróleo ocurrido en
cierta región. Las mediciones han sido obtenidas a distancias de 4 Km.
Con la fórmula de Simpson, encuentre en forma aproximada el área total cubierta por el
derrame de petróleo.
1 x
∫ e − t dt
2
5. La siguiente definición se denomina función error: erf(x) =
π 0
Esta función se usa para definir la función de densidad de probabilidad de la distribución
normal estándar. Calcule erf(1) con la fórmula de Simpson con m=2,4,6. Con estos resultados
estime la precisión en la respuesta.

188. 182
6. Una empresa está vendiendo una licencia para manejo de un nuevo punto de venta. La
experiencia indica que dentro de t años, la licencia generará utilidades según f(t) = 14000+490t
dólares por año. Si la tasa de interés r permanece fija durante los próximos n años, entonces el
valor presente de la licencia se puede calcular con
n
V = ∫ f(t)e −rt dt
0
Calcule V si n=5 años y r=0.07. Use la fórmula de Simpson con m=4,6,8. Con estos
resultados estime el error de truncamiento
7. Un comerciante usa el siguiente modelo para describir la distribución de la proporción x del
total de su mercadería que se vende semanalmente:
f(x )=20x3(1-x), 0≤x≤1
El área debajo de f(x) representa entonces la probabilidad que venda una cantidad x en
cualquier semana.
Se desea conocer la probabilidad que en una semana venda más de la mitad de su mercadería
(debe integrar f entre 0.5 y 1). Use la Fórmula de Simpson con m=4
8. Según la teoría de Kepler, el recorrido de los planetas es una elipse con el Sol en uno de sus
focos. La longitud del recorrido total de la órbita esta dada por
π/2
s = 4 ∫ a 1 − k 2 sen 2 t dt ,
0
Siendo k: excentricidad de la órbita y a: longitud del semieje mayor
Calcule el recorrido del planeta Mercurio sabiendo que k=0.206, a=0.387 UA
(1 UA = 150 millones de km). Use la fórmula de Simpson con m=4 (cantidad de franjas)
9. Una placa rectangular metálica de 0.45 m por 0.60 m pesa 5 Kg. Se necesita recortar este
material para obtener una placa de forma elíptica, con eje mayor igual a 50 cm, y eje menor
igual a 40 cm. Calcule el área de la elipse y determine el peso que tendrá esta placa. Para
calcular el área de la elipse use la fórmula de Simpson con m = 4. Finalmente, estime cual es el
el error de truncamiento en el valor del área calculada.
10. Una curva C puede darse en forma paramétrica con las ecuaciones:
x = f(t)
y = g(t), t ∈ [a, b]
Si no hay intersecciones entre f y g, entonces, la longitud del arco de C se puede calcular con
la integral:
b
=S ∫
a
(x '(t))2 + (y '(t))2 dt
Use la fórmula de Simpson, m=4, para calcular la longitud del arco de la curva dada con las
siguientes ecuaciones paramétricas
= 2 cos(t), y
x = 3sen(t), t ∈ [0, π / 2]
∞ 1
11. Calcule el valor del integral A = ∫ dx . Use la Cuadratura de Gauss con dos puntos.
2 3x + 2
2
1
dx
12. Calcule A = ∫
− 1)1/ 3
.
1/ 2 (2x
a) Use directamente la Cuadratura de Gauss de dos puntos
b) Use la Regla de Simpson con m=4. Previamente debe usar una transformación: t3 = 2x -1
∞
dx
13. Calcule A = ∫ 1 + x4 Use la regla de Simpson, m=1,2,4 y estime el error
0

189. 183
∞
14. Calcule A = ∫ x 2 e − x Use la Regla de Simpson con m=4 y estime el error
2
0
∞
dx
15. Calcule A = ∫ x2 + x − 2 . Aplique dos veces la cuadratura de Gauss de dos puntos
2
1.8 2.5
=
16. Calcule A ∫ ∫ (x + y) sin(x)dxdy . Use la regla de Simpson en ambas direcciones, m=4
1 0.5
17. Calcular la siguiente integral, con el algoritmo de la integral doble de Simpson:
= ∫∫ x 9 − y2 dA
2
S
R
Donde R es la región acotada por: x2 + y2 = 9. Usar m=4 en ambas direcciones
∞
18. La función Γ(α) = α −1 − x
∫x e dx se denomina Función Gamma y tiene aplicaciones en
0
algunos modelos de probabilidad.
Encuentre una valor aproximado de Γ(2) aplicando una vez la Cuadratura de Gauss.
Sugerencia: Separe el integral en dos partes [0,1], [1, ∞]. Con un cambio de variable elimine el
límite superior ∞.
19. El siguiente cuadro contiene valores de una función f(x,y). Use la fórmula de Simpson para
calcular el volumen entre el plano X-Y y la superficie f(x,y), 0.1 ≤ x ≤ 0.5, 0.2 ≤ y ≤ 1.0
Y
0.2 0.4 0.6 0.8 1.0
X
0.1 0.04 0.08 0.12 0.16 0.20
0.2 0.41 0.47 0.53 0.58 0.62
0.3 0.81 0.83 0.84 0.83 0.82
0.4 0.76 0.70 0.62 0.53 0.42
0.5 0.06 0.02 0.01 0.01 0.02
20. Cuando un cuerpo de masa m se desplaza verticalmente hacia arriba desde la superficie de
la tierra, si prescindimos de toda fuerza de resistencia (excepto la fuerza de la gravedad), la
∞
velocidad de escape v está = 2gR z −2dz; z x
dada por: v 2 = ∫
1
R
Donde R = 6371 km. es el radio promedio de la tierra, g = 9.81 m/s2 es la constante
gravitacional. Utilice cuadratura Gaussiana para hallar v.
21. El siguiente integral no puede resolverse analíticamente. Aplique la fórmula de Simpson
con 2, 4, 6, 8 subintervalos. Con estos resultados estime la precisión del resultado de la
integración.
2
A = ∫ e sen(x)dx
0
22. El siguiente integral no puede resolverse analíticamente y tampoco pueden aplicarse las
fórmulas comunes de integración numérica.:
1
sen(x)
A= ∫0 x
dx
Aplique la Cuadratura de Gauss con uno, dos y tres subintervalos. Con estos resultados estime
la precisión del resultado de la integración.

190. 184
23. En el techado de las casas se utilizan planchas corrugadas con perfil ondulado:
Cada onda tiene la forma f(x) = sen(x), con un periodo de 2π pulgadas
El perfil de la plancha tiene 8 ondas y la longitud de cada onda se la puede calcular con la
siguiente integral:
Este integral no puede ser calculado por métodos analíticos.
a) Use la fórmula de Simpson con m = 4, 6, 8, 10 para calcular y estime el error en el último
resultado
b) Con el último resultado encuentre la longitud del perfil de la plancha.

191. 185
8 DIFERENCIACIÓN NUMÉRICA
En este capítulo se describe un procedimiento para obtener fórmulas para evaluar derivadas.
Estas fórmulas son de especial interés en algunos métodos para resolver ecuaciones
diferenciales. Estos métodos se estudiarán posteriormente y consisten en transformar las
ecuaciones diferenciales en ecuaciones con el dominio discretizado.
8.1 Obtención de fórmulas de diferenciación numérica
Dados los puntos (xi, fi), i=0, 1, 2, ..., n, suponer que es de interés evaluar alguna derivada
f(k)(xi) siendo f desconocida pero supuestamente diferenciable.
Un enfoque para obtención de fórmulas es usar el polinomio de interpolación como una
aproximación para f y derivar el polinomio:
dk
f(x) ≅ pn(x) ⇒ f(k)(xi) ≅ k [pn (x)]x = xi
dx
Adicionalmente, con la fórmula del error en la interpolación se puede estimar el error para las
fórmulas de las derivadas.
Otro enfoque más simple consiste en usar la serie de Taylor, bajo la suposición de que la
función f se puede expresar mediante este desarrollo. Entonces mediante artificios algebraicos
se pueden obtener fórmulas para aproximar algunas derivadas.
Si se desarrolla alrededor del punto xi, usando la notación f(xi) ≡ fi, se obtienen:
h2 hn (n) hn + 1 (n+1)
(1) fi+1 = fi + hf ’i + f ’’i + ... + f i+ f (z), xi ≤ z ≤ xi+1
2! n! (n + 1)!
h2 hn (n) hn + 1 (n+1)
(2) fi-1 = fi - hf ’i + f ’’i - ... + f i- f (z), xi-1 ≤ z ≤ xi
2! n! (n + 1)!
8.2 Una fórmula para la primera derivada
Tomando tres términos de (1) y despejando f’ se obtiene una aproximación para la primera
derivada y para el error de truncamiento en la aproximación::
h2 f −f h
fi+1 = fi + hf ’i + f ’’(z) ⇒ f ’i = i + 1 i - f ’’(z), xi ≤ z ≤ xi+1
2! h 2
Definición: Una fórmula para la primera derivada con el error de truncamiento
fi + 1 − fi ∆fi
f ’i ≅ =
h h
h
E = - f ’’(z) = O(h), xi ≤ z ≤ xi+1
2
Esta aproximación, gráficamente significa que
la pendiente de la tangente a f en el punto i es
aproximada mediante la pendiente de la recta
que incluye a los puntos i e i+1, como se
muestra en la figura:
Para que la aproximación sea aceptable, h
debe ser suficientemente pequeño puesto que:
h
h→0 ⇒ E = – f ’’(z) → 0
2
f −f
Por lo tanto: h → 0 ⇒ i + 1 i → f ’i
h

192. 186
Sin embargo, si h es demasiado pequeño, puede introducirse el error de redondeo como se
describe a continuación. Este error se debe a la imprecisión en los cálculos aritméticos o a la
limitada capacidad de representación de los dispositivos de memoria para almacenamiento de
los números reales.
Suponer que se debe evaluar f en un punto xi. Por lo mencionado anteriormente no se
obtendrá exactamente fi sino un valor aproximado f i . Sea Ri el error de redondeo: fi = f i + Ri
Si se sustituye en la fórmula para la derivada se tiene:
f −f h f i + 1 + R i + 1 − (f i + R i ) h f i+1 − f i Ri+1 − Ri h
f’i = i + 1 i – f ’’(z) = – f ’’(z) = + – f ’’(z)
h 2 h 2 h h 2
Debido a que el error de redondeo solamente depende del dispositivo de almacenamiento y no
h
de h entonces, mientras que el error de truncamiento E = – f ’’(z) se reduce cuando h → 0,
2
puede ocurrir que la suma del error de redondeo Ri+1 y Ri crezca ilimitadamente anulando la
precisión que se obtiene al reducir el error de truncamiento E.
El siguiente programa escrito en MATLAB incluye la fórmula para estimar la primera derivada
de f(x)=x ex para x=1. El valor exacto es f’(1) =5.436563656918091…
% demostración del comportamiento del error en diferenciación numérica
% f(x)=x*exp(x)
h=0.1;
v=5.436563656918091;
disp(' h v. aproximado error');
f=inline('x*exp(x)');
for i=1:15
d=(f(1+h)-f(1))/h;
e=v-d;
fprintf('%20.15f %12.10f %12.10fn',h,d,e);
h=h/10;
end
h v. aproximado error
0.100000000000000 5.8630079788 -0.4264443219
0.010000000000000 5.4775196708 -0.0409560139
0.001000000000000 5.4406428924 -0.0040792355
0.000100000000000 5.4369714173 -0.0004077604
0.000010000000000 5.4366044314 -0.0000407744
0.000001000000000 5.4365677333 -0.0000040764
0.000000100000000 5.4365640656 -0.0000004087
0.000000010000000 5.4365635993 0.0000000576
0.000000001000000 5.4365636437 0.0000000132
0.000000000100000 5.4365623114 0.0000013455
0.000000000010000 5.4365401070 0.0000235499
0.000000000001000 5.4369841962 -0.0004205393
0.000000000000100 5.4312110365 0.0053526205
0.000000000000010 5.3734794392 0.0630842177
0.000000000000001 5.7731597281 -0.3365960711
Se observa que la precisión mejora cuando se reduce h, pero a partir de cierto valor de h, el
resultado pierde precisión.
La aproximación propuesta para f’i es una fórmula de primer orden pues el error de
truncamiento es E=O(h). Por lo tanto, si se desea una aproximación con mayor precisión, se
debe elegir para h un valor muy pequeño, pero ya hemos mencionado que esto puede hacer
que aparezca el error de redondeo.
Adicionalmente, si únicamente se tienen puntos de f, no se puede elegir h. Entonces es
preferible usar fórmulas con mayor precisión pero que usen únicamente los puntos dados.

193. 187
8.3 Una fórmula de segundo orden para la primera derivada
Una fórmula más precisa para la primera derivada se obtiene restando (1) y (2) con cuatro
términos:
h2 h3
(1) fi+1 = fi + hf ’i + f ’’i + f ’’’(z1) , xi ≤ z1 ≤ xi+1
2! 3!
h2 h3
(2) fi-1 = fi - hf ’i + f ’’i - f ’’’(z2) , xi-1 ≤ z2 ≤ xi
2! 3!
h3 h3
(1) – (2): fi+1 - fi-1 = 2hf ’i + f ’’’(z1) + f ’’’(z2)
3! 3!
f −f h2 f −f h2
⇒ f ’i = i + 1 i −1 - (f ’’’(z1) + f ’’’(z2)) = i + 1 i −1 - (2f ’’’(z)), xi-1 ≤ z ≤ xi+1
2h 12 2h 12
Definición: Una fórmula de segundo orden para la primera derivada
fi + 1 − fi −1
f ’i ≅
2h
2
h
E = - f ’’’(z) = O(h2), xi-1 ≤ z ≤ xi+1
6
Ejemplo. Usar las fórmulas para evaluar f'(1.1) dados los siguientes datos:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
f2 − f1 3.9841 − 3.3046
f ’1 ≅ = = 6.7950, E=O(h)=O(0.1)
h 0.1
f − f 3.9841 − 2.7183
f ’1 ≅ 2 0 = = 6.3293, E=O(h2)=O(0.01)
2h 2(0.1)
Para comparar, estos datos son tomados de la función f(x) = x ex. El valor exacto es
f ’(1.1) = 6.3087. El error en la primera fórmula es -0.4863 y para la segunda es -0.0206
En la realidad, únicamente se conocen puntos de f(x) con los cuales se debe intentar estimar el
error en los resultados de las fórmulas mediante las aproximaciones de diferencias finitas.
Ejemplo. Estime el error en los resultados del ejemplo anterior, con los dados dados:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
Tabulación de las diferencias finitas:
i xi fi ∆fi ∆2fi ∆3fi
0 1.0 2.7183 0.5863 0.0932 0.0133
1 1.1 3.3046 0.6795 0.1065
2 1.2 3.9841 0.7860
3 1.3 4.7701
f2 − f1 3.9841 − 3.3046
f ’1 ≅ = = 6.7950,
h 0.1
h h ∆ 2 fi ∆2 f 0.1066
E = - f ’’(z) ≅ − 2
= i =
− − =
−0.5325
2 2 h 2h 2(0.1)
f − f 3.9841 − 2.7183
f ’1 ≅ 2 0 = = 6.3293,
2h 2(0.1)
h2 h2 ∆ 3 fi ∆3 f 0.0133
E=- f ’’’(z) ≅ − = i =
− − =
−0.0222
6 6 h3 6h 6(0.1)
En el primer resultado, el error está en el primer decimal. En el segundo resultado, el error está
en el segundo decimal. Esto coincide los valores calculados.

194. 188
8.4 Una fórmula para la segunda derivada
Una fórmula para la segunda derivada se obtiene sumando (1) y (2) con 5 términos:
h2 h3 h4 iv
(1) fi+1 = fi + hf ’i + f ’’i + f ’’’i + f (z1), xi ≤ z1 ≤ xi+1
2! 3! 4!
h2 h3 h4 iv
(2) fi-1 = fi - hf ’i + f ’’i - f ’’’i + f (z2), xi-1 ≤ z2 ≤ xi
2! 3! 4!
h2 h4 iv
(1) + (2): fi+1 + fi-1 = 2fi + 2( f ’’i)+ (f (z1) + f iv(z2))
2! 4!
f − 2fi + fi + 1 h2
⇒ f ’’i = i −1 - (2f iv(z)), xi-1 ≤ z ≤ xi+1
h2 4!
Definición: Una fórmula para la segunda derivada con el error de truncamiento
fi −1 − 2fi + fi + 1
f ’’i ≅
h2
h2 iv
E=- f (z) = O(h2), xi-1 ≤ z ≤ xi+1
12
Ejemplo. Use la fórmula para calcular f''(1.1) dados los siguientes datos:
(x, f(x)): (1.0, 2.7183), (1.1, 3.3046), (1.2, 3.9841), (1.3, 4.7701)
f0 − 2f1 + f2 2.7183 − 2(3.3046) + 3.9841
f ’’1 ≅ = = 9.32, E=O(h2)=O(0.01)
h2 0.12
Estos datos son tomados de la función f(x) = x ex. El valor exacto es f’’(1.1) = 9.3129. El error
de truncamiento es -0.0071. Si se tuviese un punto adicional, se pudiera estimar el error con la
fórmula, usando los datos y una aproximación de diferencias finitas para la cuarta derivada.
8.5 Obtención de fórmulas de diferenciación numérica con el método
de coeficientes indeterminados
Este método permite obtener fórmulas para derivadas usando como base cualquier grupo de
puntos.
Dados los puntos (xi, fi), i= 0, 1, 2, ..., n, encontrar una fórmula para la k-ésima derivada
de f(x) con la siguiente forma propuesta:
f(k)(xj) = cofi + c1fi+1 + c2fi+2 + ..., + cmfi+m + E, j Є {i, i+1, i+2, ..., i+m}
La derivada debe evaluarse en el punto j que debe ser alguno de los puntos que intervienen en
la fórmula.
Para determinar los coeficientes y el error de truncamiento se sigue el procedimiento:
1) Desarrollar cada término alrededor del punto j con la serie de Taylor
2) Comparar los términos en ambos lados de la ecuación
3) Resolver el sistema resultante y obtener los coeficientes y la fórmula para E

195. 189
Ejemplo. Con el Método de Coeficientes Indeterminados obtenga una fórmula para f’ en el
punto i usando los puntos i e i+1:
f’i = cofi + c1fi+1 + E
1) Desarrollar cada término alrededor del punto i
h2
f’i = cofi + c1 (fi + hf ’i + f ’’(z))+ E
2!
h2
f’i = (c0 + c1)fi + c1hf ’i + c1 f ’’(z)+ E
2!
2) Comparar términos
0 = c0 + c1
1 = c1h
h2
0 = c1 f ’’(z) + E
2!
3) Con las dos primeras ecuaciones se obtiene:
c1 = 1/h, c0 = -1/h
Con la tercera ecuación se obtiene:
h2
E = - (1/h) f ’’(z))
2!
Sustituyendo en la fórmula propuesta:
f −f h
f ’i =(-1/h)fi + (1/h)fi+1 + E = i + 1 i - f ’’(z), xi ≤ z ≤ xi+1
h 2
Igual a la que se obtuvo directamente con la serie de Taylor.
8.6 Algunas otras fórmulas de interés para evaluar derivadas
Fórmulas para la primera derivada
−3f(x 0 ) + 4f(x1 ) − f(x 2 )
=f '(x 0 ) + O(h2 )
2h
3f(xn− 2 ) − 4f(xn−1 ) + f(xn )
=f '(xn ) + O(h2 )
2h
− f(xi+ 2 ) + 8f(xi+ 1 ) − 8f(xi−1 ) + f(xi− 2 )
=f '(xi ) + O(h4 )
12h
….

196. 190
8.7 Extrapolación para diferenciación numérica
Esta técnica se puede aplicar a la diferenciación numérica para mejorar la exactitud del valor
de una derivada usando resultados previos de menor precisión.
Examinamos el caso de la primera derivada, comenzando con una fórmula conocida:
f(xi + h) − f(xi − h)
=f '(xi ) + O(h2 ) El error de truncamiento es de segundo orden
2h
Si se define el operador D:
f(xi + h) − f(xi − h)
D(h) =
2h
f '(xi ) D(h) + O(h2 )
=
Reduciendo h, la aproximación mejora pero el error sigue de segundo orden:
= D(h / 2) + O(h2 )
f '(xi )
La técnica de extrapolación permite combinar estas aproximaciones para obtener un resultado
más preciso, es decir con un error de truncamiento de mayor orden
Para aplicar la extrapolación se utiliza la serie de Taylor con más términos:
h2 (2) h3 (3) h4 (4)
f(xi + h) = i(1) +
fi + hf fi + fi + fi + O(h5 )
2 6 6
h2 (2) h3 (3) h4 (4)
f(xi − h) =fi − hfi(1) + fi − fi + fi + O(h5 )
2 6 6
Restando y dividiendo para 2h
h2 (3)
D(h) = +
fi(1) fi + O(h4 )
6
Definiendo
fi(3)
A= ⇒ D(h) = i(1) + Ah2 + O(h4 )
f
6
Si se puede evaluar en h/2:
h2
D(h / 2) =(1) + A
fi + O(h4 )
4
Para eliminar A se combinan estas dos expresiones:
D(h) − 4D(h / 2) =+ Ah2 + O(h4 ) − 4fi(1) − Ah2 + O(h2 ) =i(1) + O(h2 )
fi(1) −3f
De donde se obtiene
4D(h / 2) − D(h)
= f=
fi(1) '(xi ) + O(h4 )
3
Es una fórmula mayor precisión que la fórmula inicial, para evaluar la primera derivada.
Este procedimiento puede continuar para encontrar fórmulas de mayor orden.
Ejm. Dados los puntos (0.1, 0.1105), (0.2, 0.2442), (0.3, 0.4049), (0.4, 0.5967), (0.5, 0.8243)
de una función f(x), calcule f'(0.3) usando extrapolación en la diferenciación
h = 0.2, xi = 0.3
f '(xi ) ≅ D(h) =
1.7845;
f '(xi ) ≅ D(h / 2) =
1.7625;
4D(h / 2) − D(h)
f '(xi ) ≅ =
1.7551
3
x
Para comparación, estos datos fueron tomados de la función f(x)=x e
Valor exacto f'(0.3) = 1.7548.... Se puede verificar que usando resultados con precisión
limitada, se obtuvo un resultado con mayor precisión.

197. 191
8.8 Ejercicios de diferenciación numérica
1. Se tomaron los siguientes datos en Km. para las coordenadas del recorrido de un cohete:
(50, 3.5), (80, 4.2), (110, 5.7), (140, 3.8), (170, 1.2).
Mediante aproximaciones de segundo orden determine
a) Velocidad en el centro de la trayectoria
b) Aceleración en el centro de la trayectoria
fi + 1 − fi −1
2. La fórmula de segundo orden f ’i ≅ para aproximar la primera derivada no puede
2h
aplicarse en los puntos extremos del conjunto de datos pues se requiere un punto a cada lado.
Use el método de coeficientes indeterminados para encontrar fórmulas de segundo orden para
la primera derivada con los siguientes puntos:
a) f’0 = C0f0 + C1f1 + C2f2 + ET
b) f’n = Cnfn + Cn-1fn-1 + Cn-2fn-2 + ET
3. Con el método de los coeficientes indeterminados demuestre la siguiente fórmula que
relaciona la segunda derivada con la segunda diferencia finita:
∆2f
f ''(z) = 2 i , para algún z∈(xi, xi+2)
h

198. 192
9 MÉTODOS NUMÉRICOS PARA RESOLVER ECUACIONES
DIFERENCIALES ORDINARIAS
El análisis matemático de muchos problemas en ciencias e ingeniería conduce a la obtención
de ecuaciones diferenciales ordinarias (EDO). El estudio clásico de las EDO ha enfatizado el
estudio de técnicas de resolución pero que solamente son aplicables a un número reducido de
EDO. Programas como MATLAB ya incorporan instrumentos para obtener y graficar estas
soluciones analíticas. Los métodos numéricos son una opción importante para resolver estas
ecuaciones especialmente cuando la solución analítica es muy complicada o imposible obtener.
Estos métodos instrumentados computacionalmente proporcionan soluciones aproximadas
para analizar el comportamiento de la solución con respecto al problema propuesto.
Adicionalmente se puede experimentar numéricamente con la convergencia y la estabilidad.
Un problema importante es determinar las condiciones para que la solución exista y sea única,
y conocer el dominio en el que la solución tiene validez. Otros temas relacionados son la
sensibilidad de la solución a los cambios en la ecuación o en la condición inicial y la estabilidad
de la solución calculada, es decir el estudio de la propagación de los errores en el cálculo
numérico. Sin embargo, el objetivo principal es resolver la ecuación.
Una ecuación diferencial ordinaria de orden n es una ecuación del tipo:
(n-1) (n)
F(x, y, y’, y’’, ..., y , y ) = 0
En donde y es una función de la variable independiente x. El orden de la ecuación diferencial
es el de su derivada más alta.
Si es que es posible expresar la ecuación diferencial en la forma:
y(n) + a1y(n-1) + … + an-1y' + any = b
en donde los coeficientes a1, a2,…an, b son constantes o solamente dependen de x, entonces
es una ecuación diferencial lineal explícita de orden n
Una EDO es una ecuación en la que la incógnita es una función y(x) que satisface a la
ecuación en cierto dominio y a las condiciones que normalmente se suministran para
particularizar la ecuación. Los métodos numéricos proporcionan puntos de la función como una
aproximación a la solución analítica, y con una estimación de la precisión.
Ejemplo. Un cuerpo de masa m sujeto a un extremo de un resorte con constante de
amortiguación k, con el otro extremo fijo, se desliza sobre una mesa con un coeficiente de
fricción c. A partir de un estado inicial, las oscilaciones decrecen hasta que se detiene. La
ecuación del movimiento es
∑ −cv
ma = Fx = − kx
En donde a es la aceleración, v es la velocidad, x es desplazamiento horizontal, t tiempo:
d2 x c dx k
+ + x=
0
dt 2 m dt m
Es una ecuación diferencial ordinaria lineal de segundo orden. Su solución describe el
desplazamiento x en función del tiempo t partiendo de alguna condición inicial.
Obtener la solución con la función dsolve de MATLAB con los siguientes datos: m=5,
c=0.25, k=0.8, x(0)=1, x'(0)=0. Graficar la solución en el intervalo, 0≤t≤50
>> y=dsolve('D2x+0.25/5*Dx+0.8/5*x=0','x(0)=1,Dx(0)=0','t')
y=
cos((255^(1/2)*t)/40)/exp(t/40) + (255^(1/2)*sin((255^(1/2)*t)/40))/(255*exp(t/40))
>> digits(6)
>> y=vpa(y) Solución en formato decimal con 6 dígitos
y=
cos(0.399218*t)/exp(0.025*t) + (0.0626224*sin(0.399218*t))/exp(0.025*t)
>> ezplot(y,[0,50]),grid on

199. 193
En el gráfico se observan las oscilaciones del desplazamiento amortiguado.
9.1 Ecuaciones diferenciales ordinarias lineales de primer orden
con la condición en el inicio
Estas ecuaciones tienen la forma general siguiente:
F(x, y, y’) = 0, con la condición inicial y(x0) = y0
Si es una ecuación diferencial explícita, se puede escribir en la siguiente manera:
y’(x) = f(x, y), y(x0) = y0
En la notación común:
dy
= f(x, y) , y(x0) = y0
dx
Su solución es una función y(x) definida en algún intervalo, que satisface a la ecuación e
incluye a la condición inicial. La solución de esta ecuación se puede obtener integrando:
x x x
∫ x0
dy =∫ f(x, y)dx
x0
⇒ y(x) =y(x 0 ) + ∫ f(x, y)dx
x0
Los métodos numéricos permiten obtener una solución aproximada cuando no es posible o es
muy complicado obtenerla en forma explícita. Es conveniente comparar la solución numérica
con la solución analítica de ecuaciones simples, para adquirir confianza al resolver ecuaciones
más complicadas para las cuales ya no se pueda obtener la solución analítica.
9.1.1 Existencia de la solución
Condición de Lipschitz
+
Sea la función f : A → R, A ⊆ R. Si existe una constante k∈R tal que
| f(a) − f(b) |≤ k | a − b | , para ∀a,b ∈ A, entonces f satisface la condición de Lipschitz en A
La condición de Lipschitz se puede interpretar geométricamente re-escribiéndola:
f(a) − f(b)
≤ k , para ∀a,b ∈ A, a ≠ b
a−b
Entonces, una función f satisface la condición de Lipschitz si y solo si las pendientes de todos
los segmentos de recta que unen dos puntos de la gráfica de y=f(x) en A, están acotadas por
algún número positivo k
Teorema.- Si f : A → R, A ⊆ R es una función de Lipschitz, entonces el dominio y el rango de
f son conjuntos acotados.

200. 194
Sea una ecuación diferencial de primer orden con una condición inicial:
y'(x)=f(x,y), y(x0)=y0, x0≤x≤xn
Teorema.- Si f es continua en x0≤x≤xn, -∞<y<∞. Si f satisface la condición de Lipschitz en la
variable -∞<y<∞, entonces la ecuación diferencial y'(x)=f(x,y), y(x0)=y0 tiene una solución
única y(x) en x0≤x≤xn
Es decir que f debe ser continua en el rectángulo x0≤x≤xn, -∞<y<∞, y el cambio de
y'(x)=f(x,y) para diferentes valores de y debe estar acotado.
Adicionalmente, es importante verificar si la solución calculada es muy sensible a los errores en
la formulación de la ecuación diferencial o en la condición inicial. Se puede detectar esta
situación calculando numéricamente el problema original y el problema modificado con alguna
perturbación.
9.1.2 Método de la serie de Taylor
Se puede usar este desarrollo para obtener puntos de la solución a partir de la condición inicial
conocida y para estimar el error de truncamiento. Debe elegirse la distancia h entre los puntos:
h2 hn (n) hn+1
yi+1 = yi + hy ’i + y’’i + ... + y i + y (n+1)(z), xi ≤ z ≤ xi+1
2! n! (n + 1)!
La ventaja de este enfoque es que se puede mejorar la precisión incluyendo más términos del
desarrollo. Sin embargo, al usar las derivadas de y(x) se obtienen fórmulas aplicables
únicamente para la ecuación especificada. Esto contrasta con el objetivo de los métodos
numéricos que es proporcionar fórmulas generales.
Ejemplo. Obtenga dos puntos de la solución de la siguiente ecuación diferencial utilizando los
tres primeros términos de la serie de Taylor. Use h = 0.1
y’ - y - x + x2 - 1 = 0, y(0) = 1
Solución
y’ = f(x, y) = y - x2 + x + 1, x0 = 0, y0 = 1, h = 0.1
h2 h3
yi+1 = yi + hy ’i + y’’i, E = y’’’(z) = O(h3) = O(0.001) (Error de truncamiento)
2! 3!
xi+1 = xi + h, i = 0, 1, 2, ...
h2
yi+1 = yi + h(yi - x2i + xi + 1) + (y’i - 2xi + 1) (Derivar y sustituir y’(x))
2!
h2
yi+1 = yi + h(yi - x2i + xi + 1) + ( yi - x2i + xi + 1 - 2xi + 1)
2
Fórmula para obtener puntos de la solución para el ejemplo anterior
h2
yi+1 = yi + h(yi - x2i + xi + 1) + ( yi - x2i - xi + 2)
2
xi+1 = xi + h, i = 0, 1, 2, ...
Puntos de la solución:
h2
i=0: y1 = y0 + h(y0 - x20 + x0 + 1) + ( y0 - x20 - x0 + 2)
2
0.12
= 1 + 0.1(1 – 02 + 0 + 1) + ( 1 - 02 – 0 + 2) = 1.2150
2
x1 = x0 + h = 0 + 0.1 = 0.1
h2
i=1: y2 = y1 + h(y1 - x21 + x1 + 1) + ( y1 - x21 - x1 + 2)
2
0.12
= 1.2150 + 0.1(1.2150 – 0.12 + 0.1 + 1) + ( 1.2150 – 0.12 – 0.1 + 2) = 1.4610
2
x2 = x1 + h = 0.1 + 0.1 = 0.2

201. 195
Para comprobar la exactitud comparamos con la solución exacta: y(x) = ex + x + x2
y(0.1) = 1.2152
y(0.2) = 1.4614
El error está en el orden de los diezmilésimos y concuerda con el orden del error de
truncamiento para esta fórmula
En el siguiente gráfico se muestran los dos puntos obtenidos junto con lel gráfico de la solución
analítica exacta. La concordancia es muy buena.
Instrumentación computacional
Una función en MATLAB para usar la fórmula deducida para el ejemplo anterior
h2
yi+1 = yi + h(yi - x2i + xi + 1) + ( yi - x2i - xi + 2)
2
xi+1 = xi + h, i = 0, 1, 2, ...
function [x,y] = taylor2(x,y,h)
y=y+h*(y-x^2+x+1) + h^2/2*(y-x^2-x+2);
x=x+h;
Obtención de puntos de la solución desde la ventana de comandos
>> x=0;y=1;h=0.1;
>> [x, y]= taylor2(x,y,h) Este comando se reutiliza para obtener cada punto
x=
0.1000
y=
1.2150
>> [x, y]=taylor2(x,y,h)
x=
0.2000
y=
1.4610
El uso del método desde la ventana de comandos no es práctico para recibir los resultados.
Conviene guardar los puntos obtenidos. Para esto se puede escribir un programa.

202. 196
Un programa en MATLAB para calcular m=20 puntos espaciados en una distancia h=0.1 para
el ejercicio anterior con la fórmula de Taylor:
x=0;
y=1;
m=20;
h=0.1;
for i=1:m
[x,y]=taylor2(x,y,h);
u(i)=x;
v(i)=y;
end
Se ha almacenado el programa con el nombre ed1. Los siguientes comandos permiten usar los
vectores u, v que contienen puntos de la solución para visualizarla y compararla con la solución
analítica exacta obtenida con la función dsolve de MATLAB.
>> ed1
>> plot(u, v, 'o'); u, v contienen los puntos calculados
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x') Obtención de la solución analítica.
g=
x+x^2+exp(x) Solución analítica
>> hold on;
>> grid on;
>> ezplot(g,0,2);
En esta instrumentación se usa la serie de Taylor para deducir una fórmula aplicable
únicamente al problema especificado. En las siguientes secciones se desarrollarán métodos
numéricos generales deduciendo fórmulas que se pueden aplicar a diferentes ecuaciones
diferenciales, con lo cual los algoritmos ya no dependen de un problema particular.

203. 197
9.1.3 Fórmula de Euler
El objetivo de los métodos numéricos es proporcionar fórmulas generales y algoritmos que no
dependan de los datos de un problema particular. Las siguientes fórmulas y algoritmos se
pueden especificar independientemente de la forma de una EDO y de su condición inicial, las
cuales se pueden definir desde fuera del algoritmo.
Sea una ecuación diferencial ordinaria explícita de primer orden con una condición en el inicio:
y’(x) = f(x, y), y(x0) = y0
La fórmula de Euler usa los dos primeros términos de la serie de Taylor:
h2 h2
yi+1 = yi + hy’i + y’’(z) = yi + hf(xi, yi) + y’’(z), xi ≤ z ≤ xi+1
2! 2!
Definición: Fórmula de Euler
yi+1 = yi + h f(xi ,yi)
xi+1 = xi + h, i = 0, 1, 2, ...
h2
E= y’’(z) = O(h2), xi ≤ z ≤ xi+1 (Error de truncamiento en cada paso)
2!
Algoritmo para calcular puntos de la solución de una EDO de primer orden con la
fórmula de Euler
1) Defina f(x,y) y la condición incial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i =1, 2, ..., m
4) yi+1 = yi + h f(xi ,yi) .
5) xi+1 = xi + h
6) fin
Ejemplo. Obtenga dos puntos de la solución de la siguiente ecuación diferencial con la fórmula
de Euler. Use h = 0.1
y’ + y + x - 1 = 0, y(0) = 1
Ecuación diferencial
y’ = f(x, y) = -y - x + 1, x0 = 0, y0 = 1, h = 0.1
Cálculo de los puntos
i=0: y1 = y0 + h f(x0, y0) = 1 + 0.1 f(0, 1) = 1 + 0.1 [-1 - 0 + 1] = 1.2000;
x1 = x0 + h = 0 + 0.1 = 0.1
i=1: y2 = y1 + h f(x1, y1) = 1.2 + 0.1 f(0.1, 1.2) = 1.2 + 0.1 [1.2 – 0.12 + 0.1 + 1] = 1.4290
x2 = x1 + h = 0.1 + 0.1 = 0.2
Para comprobar comparamos con la solución exacta: y(x) = x + x2 + ex
y(0.1) = 1.2152
y(0.2) = 1.4614
El error es muy significativo. Para reducirlo se pudiera reducir h. Esto haría que el error de
truncamiento se reduzca pero si la cantidad de cálculos es muy grande, pudiera acumular error
de redondeo. Una mejor estrategia es usar métodos más precisos que no requieran que h sea
muy pequeño.

204. 198
9.1.4 Error de truncamiento y error de redondeo
La fórmula de Euler utiliza la pendiente de la recta en cada punto para predecir y estimar la
solución en el siguiente punto, a una distancia elegida h. La diferencia del punto calculado, con
respecto al valor exacto es el error de truncamiento, el cual puede crecer al proseguir el
cálculo.
En cada paso el error de truncamiento es:
h2
E= y’’(z) = O(h2),
2
Para reducir E se debe reducir h puesto que h→ 0 ⇒ E→0. Sin embargo, este hecho
matemáticamente cierto, al ser aplicado tiene una consecuencia importante que es interesante
analizar:
Suponer que se desea calcular la solución y(x) en un intervalo fijo x0 ≤ x ≤ xf mediante m
puntos xi = x0, x1, x2, ..., xm espaciados regularmente en una distancia h:
x − xo
h= f
m
Sea Ei el error de truncamiento en el paso i, entonces
y1 = y0 + h f(x0, y0) + E1
y2 = y1 + h f(x1, y1) + E2 = y0 + hf(x0, y0) + E1+ hf(x1, y1) + E2
= y0 + hf(x0, y0) + hf(x1, y1) + E1 + E2
y3 = y2 + h f(x2, y2) + E3 = y0 + hf(x0, y0) + hf(x1, y1) + hf(x2, y2) + E1 + E2 + E3
...
ym = y0 + hf(x0, y0) + hf(x1, y1) + hf(x2, y2) + . . . + hf(xm-1, ym-1) + E1 + E2 + E3 + ... + Em
h2
Siendo Ei = y’’(zi )
2
El error de truncamiento acumulado es:
xf − x0 2
E = E1 + E2 + E3 + ... + Em = mh2( D ) = h ( D ) = h[( x f − x 0 ) D ]
h
y"(zi )
En donde suponemos que existe un valor promedio D de los valores de ,
2
independiente de h.
Se muestra que el error de truncamiento acumulado es solamente de orden O(h), por lo tanto h
debe ser un valor mas pequeño que el previsto para asegurar que la solución calculada sea
suficientemente precisa hasta el final del intervalo.

205. 199
Por otra parte, cada vez que se evalúa f(xi, yi) se puede introducir el error de redondeo Ri
debido a los errores en la aritmética computacional y al dispositivo de almacenamiento.
Entonces, el error de redondeo se pudiera acumular en cada paso y al final del intervalo se
tendrá:
xf − x0 1
R = R1 + R2 + R3 + . . . + Rm = m ( R ) = ( R ) = [( x f − x 0 ) R ]
h h
R es algún valor promedio del error de redondeo en cada paso, independiente de h.
El error total acumulado al realizar los cálculos con la fórmula de Euler hasta el final del
intervalo es:
1
EA = E + R = h[( x f − x 0 ) D ] + [( x f − x 0 ) R ]
h
Si m es muy grande, h será muy pequeño. Al reducir h, el error de redondeo puede llegar a
ser mayor al error de truncamiento, y el resultado perderá precisión en vez de mejorarla como
ocurriría si solamente se considera el error de truncamiento.
Como conclusión de lo anterior, es preferible usar fórmulas cuyo error de truncamiento E sea
de mayor orden para que el valor de h no requiera ser muy pequeño si se buscan resultados
con alta precisión. Esto retardará también el efecto del error de redondeo acumulado R.
9.1.5 Instrumentación computacional de la fórmula de Euler
Se define una función que recibe un punto de la solución y entrega el siguiente:
function [x,y] = euler(f, x, y, h)
y=y + h*f(x,y);
x=x+h;
Ejemplo. Escribir un programa en MATLAB para calcular m=20 puntos espaciados en una
distanciah= 0.1 del ejercicio anterior con la fórmula de Euler
f=inline('y - x^2 + x + 1');
x=0;
y=1;
m=20;
h=0.1;
for i=1:m
[x,y]=euler(f,x,y,h);
u(i)=x;
v(i)=y;
end
Si el programa se almacenó con el nombre ed2. Los siguientes comandos permiten visualizar
la solución y compararla con la solución analítica exacta
>> ed2
>> plot(u, v, 'o'), grid on, hold on u, v contienen los puntos calculados
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x') Obtención de la solución analítica.
g=
x+x^2+exp(x) Solución analítica
>> hold on;
>> ezplot(g,0,2);

206. 200
Solución analítica y solución numérica para el ejemplo anterior
Se observa la acumulación del error de truncamiento
9.1.6 Fórmula mejorada de Euler o fórmula de Heun
Sea la EDO de primer orden con una condición en el inicio: y’(x) = f(x, y), y(x0) = y0
La fórmula de Heun o fórmula mejorada de Euler usa los tres primeros términos de la serie de
Taylor y un artificio para sustituir la primera derivada de f(x, y)
h2 h3 h2 h3
yi+1 = yi + hy ’i + y’’i + y’’’(z) = yi + hf(xi, yi) + f’(xi, yi) + y’’’(z), xi ≤ z ≤ xi+1
2! 3! 2! 3!
h2
yi+1 = yi + hf(xi, yi) + f’(xi, yi) + O(h3)
2
f −f
Para evaluar f’(xi, yi) usamos una aproximación simple: f’i = i + 1 i + O(h)
h
h2 fi + 1 − fi h h
yi+1 = yi + hfi + [ + O(h)] + O(h3) = yi + hfi + fi+1 - fi + O(h3)
2 h 2 2
h 3
yi+1 = yi + (fi + fi+1) + O(h )
2
Para evaluar fi+1 = f(xi+1, yi+1) se usa yi+1 calculado con la fórmula de Euler como aproximación
inicial:
yi+1 = yi + hf(xi, yi) Valor usado como una aproximación
h
yi+1 = yi + (f(xi, yi) + f(xi+1, yi+1)) Valor mejorado con la fórmula de Heun
2
xi+1 = xi + h, i = 0, 1, 2, ...
Esta fórmula se puede re-escribir como se muestra en la definición:
Definición: Fórmula de Heun
K1 = hf(xi, yi)
K2 = hf(xi + h, yi + K1)
1
yi+1 = yi + (K1 + K2)
2
xi+1 = xi + h, i = 0, 1, 2, ...
3
h
E= y’’’(z) = O(h3), xi ≤ z ≤ xi+1 (Error de truncamiento en cada paso)
3!

207. 201
Gráficamente, se puede interpretar que esta fórmula calcula cada nuevo punto usando un
promedio de las pendientes en los puntos inicial y final en cada intervalo de longitud h.
El error de truncamiento en cada paso es de tercer orden O(h3), y el error de truncamiento
acumulado es de segundo orden O(h2), mejor que la fórmula de Euler.
Algoritmo para resolver una EDO de primer orden con la fórmula de Heun
1) Defina f(x,y) y la condición incial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i =1, 2, ..., m
4) K1 = hf(xi, yi)
5) K2 = hf(xi + h, yi + K1))
1
6) yi+1 = yi + (K1 + K2) .
2
7) xi+1 = xi + h
8) fin
Ejemplo. Obtener dos puntos de la solución de la siguiente ecuación diferencial con la fórmula
de Heun. Use h = 0.1
y’ - y - x + x2 - 1 = 0, y(0) = 1
y’ = f(x, y) = x - x2 + y + 1, x0 = 0, y0 = 1, h = 0.1
Cálculos
i=0: K1 = hf(x0, y0) = 0.1 f(0, 1) = 0.1 (0 - 02 +1 + 1) = 0.2000;
K2 = hf(x0 + h, y0 + K1) = 0.1 f(0.1, 1.2) = 0.1 [ 0.1 – 0.12 + 1.2 +1] = 0.2290
1
y1 = y0 + (K1 + K2) = 1 + 0.5(0.2000 + 0.2290) = 1.2145
2
x1 = x0 + h = 0 + 0.1 = 0.1
i=1: K1 = hf(x1, y1) = 0.1 f(0.1, 1.2145) = 0.1 (0.1 – 0.12 + 1.2145 + 1) =0.2305;
K2 = hf(x1 + h, y1 + K1) = 0.1 f(0.2, 1.4450) = 0.1 [ 0.2 – 0.22 + 1.4450 + 1] = 0.2605
1
y2 = y1 + (K1 + K2) = 1.2145 + 0.5(0.2305 + 0.2605) = 1.4600
2
x2 = x1 + h = 0.1 + 0.1 = 0.2
Para comprobar comparamos con la solución exacta: y(x) = x + x2 + ex
y(0.1) = 1.2152
y(0.2) = 1.4614
El error de truncamiento en cada paso está en el orden de los milésimos, coincidiendo
aproximadamente con E=O(h3)
9.1.7 Instrumentación computacional de la fórmula de Heun
Se define una función que recibe un punto de la solución y entrega el siguiente:
function [x,y] = heun(f, x, y, h)
k1=h*f(x,y);
k2=h*f(x+h, y+k1);
y=y+0.5*(k1+k2);
x=x+h;

208. 202
Ejemplo. Escriba un programa en MATLAB para calcular m=20 puntos espaciados en una
distancia h=0.1 del ejercicio anterior usando la fórmula de Heun
f=inline('y - x^2 + x + 1');
x=0;
y=1;
m=20;
h=0.1;
for i=1:20
[x,y]=heun(f,x,y,h);
u(i)=x; % La solución es almacenada
v(i)=y; % en los vectores u, v
end
Si el programa se almacenó con el nombre ed3. Los siguientes comandos permiten visualizar
la solución y compararla con la solución analítica exacta
>> ed3
>> plot(u, v, 'o'), grid on, hold on % u, v contienen los puntos calculados
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x') % Obtención de la solución analítica.
g=
x+x^2+exp(x) % Solución analítica de MATLAB
>> ezplot(g,0,2);
Soluciones analítica y numérica para el ejemplo anterior
Se observa una reducción del error de truncamiento

209. 203
9.1.8 Fórmulas de Runge-Kutta
Estas fórmulas utilizan artificios matemáticos para incorporar más términos de la serie de
Taylor. Describimos la más popular, denominada fórmula de Runge-Kutta de cuarto orden, la
cual incluye los cinco primeros términos de la Serie de Taylor.
Sea la ED de primer orden con una condición en el inicio: y’(x) = f(x, y), y(x0) = y0
Definición: Fórmula de Runge-Kutta de cuarto orden
K1 = hf(xi, yi)
K2 = hf(xi + h/2, yi + K1/2)
K3 = hf(xi + h/2, yi + K2/2)
K4 = hf(xi + h, yi + K3)
1
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)
6
xi+1 = xi + h, i = 0, 1, 2, ...
h5 (5)
E= y (z) = O(h5), xi ≤ z ≤ xi+1 (Error de truncamiento en cada paso)
5!
Gráficamente, se puede interpretar que esta fórmula calcula cada nuevo punto usando un
promedio ponderado de las pendientes en los puntos inicial, medio y final en cada intervalo de
longitud h.
El error de truncamiento en cada paso es de quinto orden O(h5), y el error de truncamiento
acumulado es de cuarto orden O(h4), suficientemente exacto para problemas comunes.
Algoritmo para resolver una EDO de primer orden con la fórmula de Runge-Kutta
1) Defina f(x,y) y la condición inicial (x0, y0)
2) Defina h y la cantidad de puntos a calcular m
3) Para i =1, 2, ..., m
4) K1 = hf(xi, yi)
5) K2 = hf(xi + h/2, yi + K1/2)
6) K3 = hf(xi + h/2, yi + K2/2)
7) K4 = hf(xi + h, yi + K3)
1
8) yi+1 = yi + (K1 + 2K2 + 2K3 + K4) .
6
9) xi+1 = xi + h
10) fin
Ejemplo. Obtenga un punto de la solución de la siguiente ecuación diferencial con la fórmula
de Runge-Kutta de cuarto orden. Use h = 0.1
y’ - y - x + x2 - 1 = 0, y(0) = 1
Ecuación diferencial
y’ = f(x, y) = x - x2 + y + 1, x0 = 0, y0 = 1, h = 0.1
Cálculo de los puntos
i=0: K1 = hf(x0, y0) = 0.1 f(0, 1) = 0.1 (0 - 02 +1 + 1) = 0.2000;
K2 = hf(x0 + h/2, y0 + K1/2) = 0.1 f(0.05, 1.1) = 0.1 (0.05-0.052+1.1+1) = 0.2148
K3 = hf(x0 + h/2, y0 + K2/2) = 0.1 f(0.05, 1.1074) = 0.1 (0.05-0.052+1.1074+1) = 0.2155
K4 = hf(x0 + h, y0 + K3) = 0.1 f(0.1, 1.2155) = 0.1 (0.1-0.12+1.2155+1) = 0.2305
1 1
y1 = y0 + (K1 + 2K2 + 2K3 + K4 ) = 1 + [0.2 + 2(0.2148)+2(0.2155)+0.2305] = 1.2152
6 6
x1 = x0 + h = 0 + 0.1 = 0.1
Para comprobar comparamos con la solución exacta: y(x) = x + x2 + ex
y(0.1) = 1.2152

210. 204
El error de truncamiento en cada paso está en el orden de los cienmilésimos, coincidiendo
aproximadamente con E=O(h5). Los resultados tienen una precisión aceptable para la solución
de problemas prácticos, por lo cual esta fórmula es muy utilizada
9.1.9 Instrumentación computacional de la fórmula de Runge-Kutta
Se define una función que recibe un punto de la solución y entrega el siguiente:
function [x,y]=rk4(f, x, y, h)
k1=h*f(x,y);
k2=h*f(x+h/2, y+k1/2);
k3=h*f(x+h/2, y+k2/2);
k4=h*f(x+h, y+k3);
y=y+1/6*(k1+2*k2+2*k3+k4);
x=x+h;
Ejemplo. Un programa en MATLAB para calcular m=20 puntos espaciados en una distancia
h=0.1 del ejercicio anterior usando la fórmula de Runge-Kutta de cuarto orden
f=inline('y - x^2 + x + 1');
x=0;
y=1;
m=20;
h=0.1;
for i=1:m
[x,y]=rk4(f,x,y,h);
u(i)=x;
v(i)=y;
end
Si el programa se almacenó con el nombre ed4. Los siguientes comandos permiten visualizar
la solución y compararla con la solución analítica exacta
>> ed4
>> plot(u, v, 'o'), grid on, hold on u, v contienen los puntos calculados
>> g=dsolve('Dy-y-x+x^2-1=0','y(0)=1','x') Obtención de la solución analítica.
g=
x+x^2+exp(x) Solución analítica
>> ezplot(g,0,2);
14
12
10
Solución analítica
8
6
Solución numérica
4
2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
x
Solución analítica y solución numérica para el ejemplo anterior

211. 205
Encontrar la diferencia entre la solución numérica y analítica cuando x=1
>> yn=v(10) Solución numérica en el vector v
yn =
4.718276340387802
>> x=1;
>> ya=eval(g) Solución analítica
ya =
4.718281828459046
>> e=yn-ya
e=
-5.488071243675563e-006

212. 206
9.2 Sistemas de ecuaciones diferenciales ordinarias de primer orden
con condiciones en el inicio
Los métodos numéricos desarrollados para una ecuación diferencial ordinaria de primer orden
pueden extenderse directamente a sistemas de ecuaciones diferenciales de primer orden.
Analizamos el caso de dos ecuaciones diferenciales ordinarias de primer orden con
condiciones en el inicio
F(x, y, z, y’) = 0, y(x0) = y0
G(x, y, z, z’) = 0, z(x0) = z0
Se deben escribir en la notación adecuada para usar los métodos numéricos
y’ = f(x, y, z), y(x0) = y0
z’ = g(x, y, z), z(x0) = z0
9.2.1 Fórmula de Heun extendida a dos E. D. O. de primer orden
La fórmula de Heun o fórmula mejorada de Euler para un sistema de dos EDO’s de primer
orden con condiciones en el inicio, es una extensión directa de la fórmula para una EDO:
Definición: Fórmula de Heun para un sistema de dos EDO de primer orden
con condiciones en el inicio
K1,y = hf(xi, yi, zi)
K1,z = hg(xi, yi, zi)
K2,y = hf(xi + h, yi + K1,y, zi + K1,z)
K2,z = hg(xi + h, yi + K1,y, zi + K1,z)
1
yi+1 = yi + (K1,y + K2,y)
2
1
zi+1 = zi + (K1,z + K2,z)
2
xi+1 = xi + h, i = 0, 1, 2, ...
E = O(h3), xi ≤ z ≤ xi+1 (Error de truncamiento en cada paso)
Ejemplo. Obtenga dos puntos de la solución del siguiente sistema de ecuaciones diferenciales
con la fórmula de Heun. Use h = 0.1
y’ – x – y – z = 0, y(0) = 1
z’ + x – y + z = 0, z(0) = 2
Ecuaciones diferenciales
y’ = f(x, y, z) = x + y + z, x0 = 0, y0 = 1
z’ = g(x, y, z) = -x + y - z, x0 = 0, z0 = 2
Cálculo de dos puntos de la solución
i=0: K1,y = hf(x0, y0, z0) = 0.1 f(0, 1, 2) = 0.1 (0 +1 + 2) = 0.3
K1,z = hg(x0, y0, z0) = 0.1 g(0, 1, 2) = 0.1 (-0 +1 - 2) = -0.1
K2,y = hf(x0+h, y0+K1,y, z0+K1,z) = 0.1 f(0.1, 1.3, 1.9) = 0.1 (0.1 + 1.3 + 1.9) = 0.33
K2,z = hg(x0+h, y0+K1,y, z0+K1,z) = 0.1 f(0.1, 1.3, 1.9) = 0.1 (-0.1 + 1.3 - 1.9) = -0.07
1
y1 = y0 + (K1,y + K2,y) = 1 + 0.5(0.3 + 0.33) = 1.3150
2
1
z1 = z0 + (K1,z + K2,z) = 2 + 0.5(-0.1 + (-0.07)) = 1.9150
2
x1 = x0 + h = 0 + 0.1 = 0.1

213. 207
i=1: K1,y = hf(x1, y1, z1) = 0.1 f(0.1, 1.3150, 1.9150) = 0.333
K1,z = hg(x1, y1, z1) = 0.1 g(0.1, 1.3150, 1.9150) = -0.07
K2,y = hf(x1+h, y1+K1,y, z1+K1,z) = 0.1 f(0.2, 1.648, 1.845) = 0.3693
K2,z = hg(x1+h, y1+K1,y, z1+K1,z) = 0.1 f(0.2, 1.648, 1.845) = -0.0397
1
y2 = y1 + (K1,y + K2,y) = 1.6662
2
1
z2= z1+ (K1,z + K2,z) = 1.8602
2
x2= x1+ h = 0.1 + 0.1 = 0.2
Para comprobar comparamos con la solución exacta
y(0.1) = 1.3160, z(0.1) = 1.9150
y(0.2) = 1.6684, z(0.2) = 1.8604
Los resultados calculados con la fórmula de Heun tienen al menos dos decimales exactos, y
coinciden aproximadamente con E=O(h3)
9.2.2 Instrumentación computacional de la fórmula de Heun para dos
E. D. O. de primer orden
Una función para calcular la solución de un sistema de dos ecuaciones diferenciales ordinarias
de primer orden con condiciones en el inicio con la fórmula de Heun. En cada llamada, la
función entrega el siguiente punto de la solución.
function [x,y,z]=heun2(f, g, x, y, z, h)
k1y=h*f(x,y,z)
k1z=h*g(x,y,z)
k2y=h*f(x+h,y+k1y,z+k1z)
k2z=h*g(x+h,y+k1y,z+k1z)
y=y+0.5*(k1y+k2y);
z=z+0.5*(k1z+k2z);
x=x+h;
Un programa en MATLAB para calcular 20 puntos espaciados en una distancia 0.1 del ejercicio
anterior usando la fórmula de Heun
f=inline('x+y+z');
g=inline('-x+y-z');
x=0;
y=1;
z=2;
h=0.1;
for i=1:20
[x,y,z]=heun2(f, g, x, y, z, h);
u(i)=x;
v(i)=y;
w(i)=z;
end
Suponga que el programa se almacenó con el nombre edo. Los siguientes comandos permiten
visualizar la solución y compararla con la solución analítica exacta
>> edo
>> hold on;
>> plot(u, v, 'o'); u, v, w contienen los puntos calculados
>> plot(u, w, 'o');
>> [y, z]=dsolve('Dy-x-y-z=0,Dz+x-y+z=0','y(0)=1,z(0)=2','x') Solución analítica

214. 208
y=
3/4*exp(2^(1/2)*x)-3/4*2^(1/2)*exp(-2^(1/2)*x)+3/4*2^(1/2)*exp(2^(1/2)*x)+3/4*exp(-
2^(1/2)*x)-1/2
z=
3/4*exp(2^(1/2)*x)+3/4*exp(-2^(1/2)*x)-x+1/2
>> ezplot(y, [0,2]); Superponer la solución analítica
>> ezplot(z, [0,2]);
Solución analítica y la solución numérica para el ejemplo anterior
Se observa una coincidencia aceptable.
9.2.3 Fórmula de Runge-Kutta para dos EDO de primer orden y condiciones en el inicio
Las fórmulas de Runge-Kutta igualmente se pueden extender a sistemas de dos o más EDO’s
de primer orden con condiciones en el inicio.
Analizamos el caso de dos ecuaciones diferenciales ordinarias de primer orden con
condiciones en el inicio, en las que y’(x) y z’(x) aparecen en forma explícita
F(x, y, z, y’) = 0, y(x0) = y0
G(x, y, z, z’) = 0, z(x0) = z0
Se pueden escribir en la notación para uso de los métodos numéricos
y’ = f(x, y, z), y(x0) = y0
z’ = g(x, y, z), z(x0) = z0
Definición: Fórmula de Runge-Kutta de cuarto orden para un sistema de dos EDO
de primer orden con condiciones en el inicio
K1,y = hf(xi, yi, zi)
K1,z = hg(xi, yi, zi)
K2,y = hf(xi + h/2, yi + K1,y/2, zi+ K1,z/2)
K2,z = hg(xi + h/2, yi + K1,y/2, zi+ K1,z/2)
K3,y = hf(xi + h/2, yi + K2,y/2, zi+ K2,z/2)
K3,z = hg(xi + h/2, yi + K2,y/2, zi+ K2,z/2)
K4,y = hf(xi + h, yi + K3,y, zi + K3,z)
K4,z = hg(xi + h, yi + K3,y, zi + K3,z)

215. 209
1
yi+1 = yi + (K1,y + 2K2,y + 2K3,y + K4,y)
6
1
zi+1 = zi + (K1,z + 2K2,z + 2K3,z + K4,z)
6
xi+1 = xi + h, i = 0, 1, 2, ...
E = O(h5), xi ≤ z ≤ xi+1 (Error de truncamiento en cada paso)
9.2.4 Instrumentación computacional de la fórmula de Runge-Kutta
para dos EDO de primer orden
Una función para calcular la solución de un sistema de dos ecuaciones diferenciales ordinarias
de primer orden con condiciones en el inicio con la fórmula de Runge-Kutta de cuarto orden. En
cada llamada, la función entrega el siguiente punto de la solución.
function [x,y,z]=rk42(f,g,x,y,z,h)
k1y=h*f(x,y,z);
k1z=h*g(x,y,z);
k2y=h*f(x+h/2,y+k1y/2,z+k1z/2);
k2z=h*g(x+h/2,y+k1y/2,z+k1z/2);
k3y=h*f(x+h/2,y+k2y/2,z+k2z/2);
k3z=h*g(x+h/2,y+k2y/2,z+k2z/2);
k4y=h*f(x+h,y+k3y,z+k3z);
k4z=h*g(x+h,y+k3y,z+k3z);
y=y+1/6*(k1y+2*k2y+2*k3y+k4y);
z=z+1/6*(k1z+2*k2z+2*k3z+k4z);
x=x+h;
Un programa en MATLAB para calcular 20 puntos espaciados en una distancia h = 0.1 del
ejercicio anterior usando la fórmula de Runge-Kutta de cuarto orden
f=inline('x+y+z');
g=inline('-x+y-z');
x=0;
y=1;
z=2;
h=0.1;
for i=1:20
[x,y,z]=rk42(f, g, x, y, z, h);
u(i)=x;
v(i)=y;
w(i)=z;
end
Suponga que el programa se almacenó con el nombre edo. Los siguientes comandos permiten
visualizar la solución y compararla con la solución analítica exacta
>> edo
>> hold on;
>> plot(u, v, 'o'); u, v, w contienen los puntos calculados
>> plot(u, w, 'o');
>> [y, z]=dsolve('Dy-x-y-z=0,Dz+x-y+z=0','y(0)=1,z(0)=2','x') Solución analítica
y=
3/4*exp(2^(1/2)*x)-3/4*2^(1/2)*exp(-2^(1/2)*x)+3/4*2^(1/2)*exp(2^(1/2)*x)+3/4*exp(-
2^(1/2)*x)-1/2
z=
3/4*exp(2^(1/2)*x)+3/4*exp(-2^(1/2)*x)-x+1/2
>> ezplot(y, [0,2]); Superponer la solución analítica
>> ezplot(z, [0,2]);

216. 210
Solución analítica y la solución numérica para el ejemplo anterior
Se observa una alta coincidencia entre ambas soluciones
9.3 Ecuaciones diferenciales ordinarias de mayor orden y condiciones en el inicio
Mediante sustituciones estas ecuaciones se transforman en sistemas de ecuaciones
diferenciales ordinarias de primer orden con condiciones en el inicio y se aplican los métodos
numéricos como en la sección anterior.
Analizamos el caso de una ecuación diferencial ordinaria de segundo orden con condiciones en
el inicio, en la que y’(x) y y’’(x) aparecen en forma explícita
G(x, y, y’, y’’) = 0, y(x0) = y0, y’(x0) = y’0
Mediante la sustitución
z = y’
Se tiene
G(x, y, z, z’) = 0
Se puede escribir como un sistema de dos ecuaciones diferenciales de primer orden siguiendo
la notación anterior:
y’ = f(x, y, z) = z
z’ = g(x, y, z) expresión que se obtiene despejando z’ de G
Con las condiciones iniciales
y(x0) = y0
z(x0) = y’0 = z0
Es un sistema de dos ecuaciones diferenciales de primer orden con condiciones en el inicio.
Ejemplo. Calcule un punto de la solución de la siguiente ecuación diferencial de segundo
orden con condiciones en el inicio, con la fórmula de Runge-Kutta de cuarto orden, h = 0.1
y’’ – y’ – x + y + 1 = 0, y(0) = 1, y’(0) = 2

217. 211
Solución
Mediante la sustitución z = y’ se obtiene
z’ – z – x + y + 1 = 0
Constituyen un sistema de dos ecuaciones diferenciales de primer orden que se puede escribir
y’ = f(x,y,z) = z, y(0) = 1
z’ = g(x,y,z) = x – y + z – 1, z(0) = 2
Cálculo de los puntos de la solución
i=0: x0 = 0, y0 = 1, z0 = 2
K1,y = hf(x0, y0, z0) = 0.1 f(0, 1, 2) = 0.1 (2) = 0.2
K1,z = hg(x0, y0, z0) = 0.1 g(0, 1, 2) = 0.1 (0 – 1 + 2 – 1) = 0
K2,y = hf(x0 + h/2, y0 + K1,y/2, z0+ K1,z/2) = 0.1f(0.05, 1.1, 2) = 0.1( 2) = 0.2
K2,z = hgx0 + h/2, y0 + K1,y/2, z0+ K1,z/2) = 0.1g(0.05, 1.1, 2) =0.1(0.05-1.1+2-1) = -0.005
K3,y = hf(x0 + h/2, y0 + K2,y/2, z0+ K2,z/2) = 0.1 f( 0.05, 1.1, 1.9975) = 0.1998
K3,z = hg(x0 + h/2, y0 + K2,y/2, z0+ K2,z/2) = 0.1 g( 0.05, 1.1, 1.9975) = -0.0052
K4,y = hf(x0 + h, y0 + K3,y, z0 + K3,z) = 0.1 f(0.1, 1.1998, 1.9948) = 0.1995
K4,z = hgx0 + h, y0 + K3,y, z0 + K3,z) = 0.1 g0.1, 1.1998, 1.9948) = -0.0105
1 1
y1 = y0 + (K1,y + 2K2,y + 2K3,y + K4,y) = 1 + [0.2+2(0.2)+2(0.1998)+0.1995] = 1.1998
6 6
1 1
z1 = z0 + (K1,z + 2K2,z + 2K3,z + K4,z) = 2 + [0+2(-0.005)+2(-0.0052)-0.0105]=1.9948
6 6
x1 = x0 + h = 0 + 0.1 = 0.1
9.3.1 Instrumentación computacional
Al transformar la ecuación diferencial de segundo orden a un sistema de dos ecuaciones
diferenciales de primer orden se pueden usar las mismas funciones desarrolladas
anteriormente. Para el ejemplo anterior se usará función rk42
Un programa en MATLAB para calcular 20 puntos de la solución, espaciados en una distancia
0.1 para el ejercicio anterior usando la fórmula de Runge-Kutta de cuarto orden
f=inline('0*x + 0*y + z');
g=inline('x - y + z - 1');
x=0;
y=1;
z=2;
h=0.1;
for i=1:20
[x,y,z]=rk42(f, g, x, y, z, h);
u(i)=x;
v(i)=y;
end
Suponga que el programa se almacenó con el nombre edo. Los siguientes comandos permiten
visualizar la solución y compararla con la solución analítica exacta
>> edo
>> hold on;
>> plot(u, v, 'o'); % u, v contienen los puntos calculados
>> y = dsolve('D2y-Dy-x+y+1=0','y(0)=1,Dy(0)=2','x') % Solución analítica
y=
x+1/3*3^(1/2)*exp(1/2*x)*sin(1/2*3^(1/2)*x)+exp(1/2*x)*cos(1/2*3^(1/2)*x)
>> ezplot(y, [0,2]); % Superponer la solución analítica

218. 212
Solución analítica y la solución numérica para el ejemplo anterior
Se observa una alta coincidencia entre ambas soluciones
9.4 Ecuaciones diferenciales ordinarias no lineales
Los métodos numéricos pueden aplicarse igualmente para calcular la solución aproximada de
ecuaciones diferenciales ordinarias no lineales, para las cuales no es posible o pudiese ser
muy laborioso obtener la solución analítica
Ejemplo. Obtenga numéricamente la solución de la ecuación
y’’ + yy’ - x + y - 3 = 0, y(0) = 1, y’(0) = 2, 0≤x≤2
Solución
Mediante la sustitución z = y’, se obtiene
z’ + yz - x + y - 3 = 0
Se obtiene un sistema de dos ecuaciones diferenciales de primer orden que se puede
escribir
y’ = f(x,y,z) = z, y(0) = 1
z’ = g(x,y,z) = x – y - yz + 3, z(0) = 2
Usamos la misma función RK42 para resolver el ejemplo. Previamente es transformada a un
sistema de dos ecuaciones diferenciales de primer orden.
Un programa en MATLAB para calcular 20 puntos espaciados en una distancia 0.1 del ejercicio
anterior usando la fórmula de Runge-Kutta de cuarto orden
f=inline('0*x + 0*y + z');
g=inline('x - y - y*z + 3');
x=0;
y=1;
z=2;
h=0.1;
m=20;
for i=1:m
[x,y,z]=rk42(f, g, x, y, z, h);
u(i)=x;
v(i)=y;
end

219. 213
Suponga que el programa se almacenó con el nombre edo. Los siguientes comandos permiten
visualizar la solución y compararla con la solución analítica exacta
>> edo
>> hold on;
>> plot(u, v, 'o'); % u, v contienen los puntos calculados
>> y = dsolve('D2y+y*Dy-x+y-3','y(0)=1','Dy(0)=2','x')
Warning: Explicit solution could not be found MATLAB no pudo encontrar
la solución analítica
Solución numérica calculada para el ejemplo anterior
9.5 Convergencia y estabilidad numérica
Los métodos numéricos que se utilizan para resolver una ecuación diferencial, como se
muestra en los ejemplos anteriores, proporcionan una solución discreta aproximada. Para
algunas ecuaciones diferenciales ordinarias, únicamente se tiene esta solución discreta por lo
que es de interés verificar su convergencia.
La convergencia numérica puede hacerse variando el parámetro h del método numérico
seleccionado y cuantificando la tendencia de algunos puntos de control de la solución calculada
Adicionalmente, es importante verificar si la solución obtenida es muy sensible a los errores en
la formulación de la ecuación diferencial o en la condición inicial. Se puede detectar esta
situación calculando numéricamente el problema original y el problema con alguna
perturbación. Si la solución cambia significativamente puede interpretarse que el problema no
está bien planteado.

220. 214
9.6 Ecuaciones diferenciales ordinarias con condiciones en los bordes
En esta sección revisaremos los métodos numéricos para resolver ecuaciones diferenciales
ordinarias para las cuales se proporcionan condiciones iniciales en los bordes, siendo de
interés conocer la solución en el interior de esta región, como en el siguiente ejemplo:
y’’ - y’ + y - 2ex - 3 = 0, y(0) = 1, y(1) = 5, 0 ≤ x ≤ 1
9.6.1 Método de prueba y error (método del disparo)
Una opción para obtener la solución numérica consiste en realizar varios intentos suponiendo
una condición adicional en el inicio para poder usar los métodos vistos anteriormente. Para el
ejemplo anterior probamos:
y’’ - y’ + y - 2ex - 3 = 0, y(0) = 1, y’(0) = 1, 0 ≤ x ≤ 1
Esta es ahora una ecuación diferencial de segundo orden con condiciones en el inicio, la cual
se puede re-escribir como dos ecuaciones diferenciales de primer orden:
y’ = f(x,y,z) = z, y(0) = 1
z’ = g(x,y,z) = 2ex - y + z + 3, z(0) = 1
Aquí se puede aplicar alguno de los métodos estudiados (Heun, Runge-Kutta, etc.). El cálculo
debe continuar hasta llegar al otro extremo del intervalo de interés. Entonces se puede
comparar el resultado obtenido en el extremo derecho con el dato dado para ese borde
y(1) = 5. Esto permite corregir la condición inicial supuesta y volver a calcular todo
nuevamente. Este procedimiento se puede repetir varias veces.
En la siguiente figura se observan tres intentos con el método de Runge-Kutta de cuarto orden
probando con valores iniciales z(0) = y’(0) = 1, 0.5, 0.8
Usamos la conocida función rk42 para resolver el ejemplo. El siguiente programa calcula 20
puntos de la solución espaciados en una distancia 0.05
f=inline('0*x+0*y+z');
g=inline('2*exp(x) - y + z+3');
x=0;
y=1;
z=1; % este valor es modificado en cada intento
h=0.05;
m=20;
for i=1:m
[x,y,z] = rk42(f, g, x, y, z, h);
u(i)=x;
v(i)=y;
end
Suponga que el programa se almacenó con el nombre ed5. Los siguientes comandos permiten
visualizar la solución en los intentos realizados
>> ed5
>> hold on;
>> plot(u, v, 'o'), grid on, hold on % u, v contienen los puntos calculados

221. 215
Tres intentos con el método de Prueba y Error para el ejemplo anterior
Para sistematizar la elección del valor inicial es preferible usar una interpolación para asignar el
siguiente valor de y’(0) en los siguientes intentos.
Sean y’a, y’b valores elegidos para y’(0) en dos intentos realizados
ya, yb valores obtenidos para y en el extremo derecho del intervalo, en los intentos
yn valor suministrado como dato para el extremo derecho del intervalo
y’0 nuevo valor corregido para y’(0) para realizar un nuevo intento
Usamos una recta para predecir el valor para y’0:
yb − ya y' − y'a
=yb − yn (y'b − y'0 ) ⇒ y'0 = y'b − b (yb − yn )
y' b − y'a yb − ya
Para el ejemplo anterior, se tienen
y’a = 1
y’b = 0.5
ya = 5.6142 (valor obtenido en el extremo derecho, con y’a = 1)
yb = 4.8891 (valor obtenido en el extremo derecho, con y’b = 0.5)
yn = 5 (dato)
Con los que se obtiene
0.5 − 1
y'0 = (4.8891 − 5) = 0.5765
0.5 −
4.8891 − 5.6142
Al realizar la siguiente prueba con este valor de y’(0) se comprueba que la solución calculada
está muy cerca de la solución analítica. Se puede verificar que el punto final calculado y(xn)
coincide en cinco decimales con el dato suministrado y(1) = 5
Este método también se puede usar para resolver ecuaciones diferenciales ordinarias no
lineales con condiciones en los bordes.
9.6.2 Método de diferencias finitas
Este es un enfoque más general para resolver ecuaciones diferenciales ordinarias con
condiciones en los bordes. Consiste en sustituir las derivadas por aproximaciones de
diferencias finitas. La ecuación resultante se denomina ecuación de diferencias y puede
resolverse por métodos algebraicos.
Es importante usar en la sustitución aproximaciones del mismo orden para las derivadas, de tal
manera que la ecuación de diferencias tenga el error de truncamiento similar en cada término.

222. 216
Aproximaciones de diferencias finitas de segundo orden O(h2) conocidas:
y − yi −1
y ’i = i + 1 + O(h2)
2h
y − 2yi + yi −1
y ’’i = i + 1 + O(h2)
h2
Ejemplo. Sustituya las derivadas por diferencias finitas en la EDO del ejemplo anterior
y’’ - y’ + y - 2ex - 3 = 0, y(0) = 1, y(1) = 5
La sustitución convierte la ecuación original en una ecuación “discretizada”:
yi + 1 − 2yi + yi −1 yi + 1 − yi −1
- + yi - 2 e xi - 3 = 0, i = 1, 2, ..., n-1
h2 2h
Siendo n la cantidad de divisiones espaciadas en h en que se ha dividido el intervalo 0≤x≤1
La ecuación resultante se denomina ecuación de diferencias con error de truncamiento O(h2).
Esta ecuación es consistente pues su límite, cuando h→0 es la ecuación diferencial original.
Para facilitar los cálculos es conveniente expresar la ecuación de diferencias en forma estándar
agrupando términos:
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e x + 6h2, i = 1, 2, ..., n-1
i
Para describir el uso de esta ecuación, supondremos que h=0.25. En la realidad debería ser
más pequeño para que el error de truncamiento se reduzca. Con este valor de h el problema se
puede visualizar de la siguiente manera
y0 = y(0) = 1, (dato en el borde izquierdo)
y4 = y(1) = 5, (dato en el borde derecho)
y1, y2, y3 , son los puntos que se calcularán
A continuación se aplica la ecuación de diferencias en los puntos especificados
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e x + 6h2, i = 1, 2, 3
i
i=1: (2+0.25)y0 + (2(0.252)-4)y1 + (2-0.25)y2 = 4(0.252) e0.25 + 6(0.252)
-3.875y1 + 1.75y2 = -1.5540
i=2: (2+0.25)y1 + (2(0.252)-4)y2 + (2-0.25)y3 = 4(0.252) e0.5 + 6(0.252)
2.25y1 - 3.875y2 + 1.75y3 = 0.7872
i=3: (2+0.25)y2 + (2(0.252)-4)y3 + (2-0.25)y4 = 4(0.252) e0.75 + 6(0.252)
2.25y2 - 3.875y3 = -7.9628

223. 217
Estas tres ecuaciones conforman un sistema lineal
 −3.875 1.75 0   y1   −1.5540 
 2.25   
 −3.875 1.75   y2  =
  0.7872 

 0
 2.25   
−3.875   y3   −7.9628 

Cuya solución es
y1 = 1.3930, y2 = 2.1964, y3 = 3.4095
En el siguiente gráfico se visualizan los resultados calculados
Fig. Comparación de la solución numérica y la solución analítica
La aproximación no es muy buena. Esto se debe a que la cantidad de puntos es muy pequeña.
Si se desea una mejor aproximación se debe reducir h.
El siguiente gráfico muestra la solución calculada con n=20. A este valor de n le corresponde
h=0.05.
Se obtiene un sistema de 19 ecuaciones lineales cuyas incógnitas son los puntos interiores. Se
observa que los resultados tienen una aproximación aceptable
Las ecuaciones que se obtienen con estas ecuaciones de diferencias conforman un sistema
tridiagonal de ecuaciones lineales. Estos sistemas pueden resolverse con un algoritmo
específico muy eficiente con medida T(n) = O(n) el cual fue utilizada en el capítulo del trazador
cúbico.

224. 218
9.6.3 Instrumentación computacional
La siguiente instrumentación del método de diferencias finitas corresponde a la solución de una
ecuación de diferencias después de ser escrita en forma estandarizada
(P)yi-1 + (Q)yi + (R)yi+1 = (S), i = 1, 2, 3, . . . , n-1
En donde P, Q, R, S son expresiones que pueden contener xi y h, siendo x la variable
independiente. La función entrega los puntos calculados de la solución x, y en los vectores u,
v. Los puntos en los bordes: (x0, y0) y (xn, yn) son dados como datos, n es la cantidad de sub
intervalos.
function [u,v] = edodif(P, Q, R, S, x0, y0, xn, yn, n)
% Método de Diferencias Finitas
% Solución de una EDO con condiciones constantes en los bordes
h=(xn-x0)/n;
clear a b c d;
for i=1:n-1
x=x0+h*i;
a(i)=eval(P); % Diagonales del sistema tridiagonal
b(i)=eval(Q);
c(i)=eval(R);
d(i)=eval(S);
u(i)=x;
end
d(1)=d(1)-a(1)*y0;
d(n-1)=d(n-1)-c(n-1)*yn;
v=tridiagonal(a,b,c,d); % Solucion del sistema tridiagonal
Ejemplo. Escribir un programa que usa la función EDODIF para resolver el ejemplo anterior
con n=20
Forma estándar de la ecuación de diferencias para el ejemplo anterior
2 2 2
(2+h)yi-1 + (2h -4)yi + (2-h)yi+1 = 4h e xi + 6h , i=1, 2,..., n-1; y0=y(0)=1; yn=y(1)=5
n=20;
x0=0;
y0=1;
xn=1;
yn=5;
P='2+h';
Q='2*h^2-4';
R='2-h';
S='4*h^2*exp(x)+6*h^2';
[u,v]=edodif(P,Q,R,S,x0,y0,xn,yn,n);
Suponer que este programa es almacenado con el nombre P6.
Escribimos las siguientes líneas para activarlo desde la ventana de comandos
>> p6;
>> plot(u,v,'o');
>> y=dsolve('D2y-Dy+y-2*exp(x)-3=0','y(0)=1','y(1)=5','x'); %Solución analítica
>> hold on, ezplot(y,[0,1])

225. 219
Comparación de las soluciones analítica y numérica para el ejemplo anterior
9.6.4 Ecuaciones diferenciales ordinarias con condiciones en los bordes con
derivadas
Consideremos una variación del problema anterior:
y’’ - y’ + y - 2ex - 3 = 0, y’(0) = 0.5, y(1) = 5, 0 ≤ x ≤ 1
Luego de sustituir las derivadas y simplificar se tiene la ecuación de diferencias como antes:
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 1, 2, ..., n-1
Por simplicidad, consideremos que h = 0.25
El punto y0 también es desconocido. Ahora aplicamos la ecuación de diferencias en cada uno
de los puntos desconocidos, incluyendo el punto y0
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 0, 1, 2, 3
i=0: (2+0.25)y-1 + (2(0.252)-4)y0 + (2-0.25)y1 = 4(0.252) e0 + 6(0.252)
2.25y-1- 3.875y0 + 1.75y1 = 0.6250
i=1: (2+0.25)y0 + (2(0.252)-4)y1 + (2-0.25)y2 = 4(0.252) e0.25 + 6(0.252)
2.25y0 - 3.875y1 + 1.75y2 = 0.6960
i=2: (2+0.25)y1 + (2(0.252)-4)y2 + (2-0.25)y3 = 4(0.252) e0.5 + 6(0.252)
2.25y1 - 3.875y2 + 1.75y3 = 0.7872
i=3: (2+0.25)y2 + (2(0.252)-4)y3 + (2-0.25)y4 = 4(0.252) e0.75 + 6(0.252)
2.25y2 - 3.875y3 = -7.8475
Se obtiene un sistema de cuatro ecuaciones con cinco incógnitas: y-1, y0, y1, y2, y3 .
Se ha introducido un punto ficticio y-1

226. 220
Usamos una aproximación central de segundo orden para la primera derivada
y − y −1
y ’0 = 0.5 = 1 de donde se obtiene que y-1 = y1 - 2h(0.5) = y1 - 0.25
2h
Esto permite eliminar el punto ficticio y-1 en la primera ecuación anterior:
i=0: 2.25(y1 - 0.25) - 3.875y0 + 1.75y1 = 0.6250 ⇒ -3.875y0 + 4y1 = 1.1875
Finalmente, el sistema se puede escribir:
 −3.875 4 0 0   y0   1.1875 
 2.25
 −3.875 1.75 0   y1   0.6960 
  =  
 0 2.25 −3.875 1.75   y2   0.7872 
    
 0 0 2.25 −3.875   y3   −7.8475 
Cuya solución es: y0 = 1.4738, y1 = 1.7246, y2 = 2.3216, y3 = 3.3732
El sistema resultante tiene forma tridiagonal, y por lo tanto se puede usar un algoritmo
específico muy eficiente para resolverlo. La instrumentación se desarrolla más abajo.
Otra alternativa sería la aplicación de la ecuación de diferencias en los puntos interiores. Se
obtendría un sistema de tres ecuaciones con las cuatro incógnitas: y0, y1, y2, y3. La cuarta
ecuación se la obtendría con una fórmula de segundo orden para la derivada en el punto
izquierdo definida con los mismos puntos desconocidos:
−3y0 + 4y1 − y2
y ’0 = 0.5 =
2h
El inconveniente es que el sistema final no tendrá la forma tridiagonal.
9.6.5 Instrumentación computacional
La siguiente instrumentación del método de diferencias finitas permite resolver problemas de
tipo similar al ejemplo anterior. La ecuación de diferencias debe escribirse en forma
estandarizada
(P)yi-1 + (Q)yi + (R)yi+1 = (S)
En donde P, Q, R, S son expresiones que pueden contener xi y h, siendo x la variable
independiente. La función entrega los n-1 puntos calculados de la solución x, y en los
vectores u, v. Los siguientes datos son proporcionados en los bordes: y’0 y yn
function [u,v]=edodifdi(P,Q,R,S,x0,dy0,xn,yn,n)
% Método de Diferencias Finitas
% Solución de una EDO con una derivada a la izquierda
% y una condición constante a la derecha
h=(xn-x0)/n;
clear a b c d;
for i=1:n % corresponde a las ecuaciones i = 0, 1, 2, ..., n-1
x=x0+h*(i-1);
a(i)=eval(P);
b(i)=eval(Q);
c(i)=eval(R);
d(i)=eval(S);
u(i)=x;
end
x=h;
c(1)=c(1)+eval(P);
d(1)=d(1)+eval(P)*2*h*dy0;
d(n)=d(n)-c(n)*yn;
v=tridiagonal(a,b,c,d); % solucion del sistema tridiagonal

227. 221
Escriba un programa que usa la función EDODIFDI para resolver el ejemplo anterior
Forma estándar de la ecuación de diferencias para el ejemplo anterior, incluyendo la forma
especial para la primera ecuación.
(2+h)yi-1 + (2h2-4)yi + (2-h)yi+1 = 4h2 e xi + 6h2, i = 1, 2,..., n-1
(P)yi-1 + (Q)yi + (R)yi+1 = (S), i = 1, 2,..., n-1;
(2+h)y-1 + (2h2-4)y0 + (2-h)y1 = 4h2 e x0 + 6h2, i=0
(2+h)(y1 + 2hy’0) + (2h2-4)y0 + (2-h)y1 = 4h2 e x0 + 6h2, i=0
(P)(y1 + 2hy’0) + (Q)y0 + (R)y1 = (S), i=0
(Q)y0 + (P + R)y1 = (S) - (P)2hy’0, i=0
y’0=y’(0)=0.5; yn=y(1)=5
n=20;
x0=0;
dy0=0.5;
xn=1;
yn=5;
P='2+h';
Q='2*h^2-4';
R='2-h';
S='4*h^2*exp(x)+6*h^2';
[u,v]=edodifdi (P,Q,R,S,x0,dy0,xn,yn,n);
Suponer que este programa es almacenado con el nombre P7.
Escribimos las siguientes líneas para activarlo desde la ventana de comandos
>> p7;
>> plot(u,v,'o');
>> y=dsolve('D2y-Dy+y-2*exp(x)-3=0','Dy(0)=0.5','y(1)=5','x');
>> hold on, ezplot(y, [0,1])
Comparación de las soluciones analítica y numérica para el ejemplo anterior

228. 222
9.6.6 Normalización del dominio de la E.D.O
Previamente a la aplicación de los métodos numéricos es conveniente normalizar la ecuación
diferencial llevándola al dominio [0, 1] mediante las siguientes sustituciones. De esta manera se
puede ver con claridad si el valor elegido para h es apropiado.
Ecuación diferencial original
F(x, y(x), y’(x), y’’(x) ) = 0, y(a) = u, y(b) = v, a ≤ x ≤ b
Mediante las sustituciones:
x = (b – a)t + a: t = 0 ⇒ x = a, t = 1 ⇒ x = b
dt 1
=
dx b − a
dy dy dt 1 dy 1
=
y'(x) = = = y'(t)
dx dt dx b − a dt b − a
d2 y d dy d dy dt d 1 dy dt 1 d2 y 1
y''(x) =
= (= ) ( )= ( )= = y''(t)
dx 2
dx dx dt dx dx dt b − a dt dx (b − a) dt
2 2
(b − a)2
Se obtiene la ecuación diferencial normalizada
F(t , y(t), y'(t) , y''(t) ) = 0, y(0) = u, y(1) = v, 0 ≤ t ≤ 1

229. 223
9.7 Ejercicios con ecuaciones diferenciales ordinarias
1. Obtenga dos puntos de la solución de la siguiente ecuación diferencial utilizando
tres términos de la Serie de Taylor. Use h = 0.1
2
y’- 2x + 2y + 3=0, y(0)=1
2. Dada la siguiente ecuación diferencial ordinaria de primer orden
y’- 2y + 2x2 – x + 3 = 0, y(0)=1.2
a) Obtenga dos puntos de la solución con la fórmula de Euler. Use h = 0.1
b) Obtenga dos puntos de la solución con la fórmula de Heun. Use h = 0.1
c) Obtenga dos puntos de la solución con la fórmula de Runge-Kutta de cuarto
orden. Use h = 0.1
2 2x
d) Compare con la solución exacta: y(x) = x/2 + x – 11/20 e + 7/4
3. Al resolver una ecuación diferencial con un método numérico, el error de
truncamiento tiende a acumularse y crecer. Use el método de Euler con h=0.1 para
calcular 10 puntos de la solución de:
y' – 2x + 5y – 1 = 0, y(0) = 2
-5x
Compare con la solución analítica y(x) = 2x/5 + 47/25 e +3/25. Observe que el
error de truncamiento tiende a reducirse. Explique este comportamiento.
4. La solución exacta de la ecuación diferencial: y' – 2xy = 1, y(0)=y0 es
π 1 x − t2
erf(x) + y0 ) , donde erf(x) = ∫ e dt
2
= ex (
y(x)
2 π 0
Encuentre y(0.4) de la ecuación diferencial: y' – 2xy = 1, y(0)=1
a) Con la fórmula de Runge-Kutta, h=0.2
b) Evaluando la solución exacta con la cuadratura de Gauss con dos puntos
5. Dada la siguiente ecuación diferencial ordinaria de segundo orden
y’’- y’ - sen(x) + y + 1 = 0, y(0)=1.5, y’(0) = 2.5
a) Obtenga dos puntos de la solución con la fórmula de Heun. (h = 0.1)
b) Obtenga un punto de la solución con la fórmula de Runge-Kutta de cuarto orden.
(h = 0.1)
c) Compare con la solución exacta. Obténgala con la función dsolve de MATLAB
6. Dada la siguiente ecuación diferencial
2y’’(x) – 3y’(x) + 2x = 5, y(1) = 2, y(3) = 4
a) Normalice la ecuación diferencial en el intervalo [0, 1]
b) Use el método de diferencias finitas y obtenga la solución, h = 0.2 en el intervalo
normalizado.

230. 224
10 ECUACIONES DIFERENCIALES PARCIALES
En este capítulo se estudiará el método de diferencias finitas aplicado a la resolución de
ecuaciones diferenciales parciales.
Sea u una función que depende de dos variables independientes x, y. La siguiente ecuación
es la forma general de una ecuación diferencial parcial de segundo orden:
∂u ∂u ∂ 2 u ∂ 2 u ∂ 2 u
F(x, y, u, , , , , )=0
∂x ∂y ∂x 2 ∂y 2 ∂x∂y
Una forma de clasificar estas ecuaciones es por su tipo: parabólicas, elípticas e hiperbólicas,
En forma similar a las ecuaciones diferenciales ordinarias, el método numérico que usaremos
consiste en sustituir las derivadas por aproximaciones de diferencias finitas. El objetivo es
obtener una ecuación denominada ecuación de diferencias que pueda resolverse por métodos
algebraicos. Esta sustitución discretiza el dominio con un espaciamiento que debe elegirse.
10.1 Aproximaciones de diferencias finitas
Las siguientes son algunas aproximaciones de diferencias finitas de uso común para aproximar
las derivadas en un punto xi, yj, siendo ∆x, ∆y el espaciamiento entre los puntos de x, y,
respectivamente. El término a la derecha en cada fórmula representa el orden del error de
truncamiento.
∂ui,j ui + 1,j − u i,j
= + O(∆x) (8.1)
∂x ∆x
∂ui,j ui,j+ 1 − u i,j
= + O(∆y) (8.2)
∂y ∆y
∂ui,j ui,j − u i,j−1
= + O(∆y) (8.3)
∂y ∆y
∂ui,j ui + 1,j − u i −1,j
= + O(∆x)2 (8.4)
∂x 2(∆x)
∂u0,j −3u0,j + 4u 1,j −u2,j
= + O(∆x)2 (8.5)
∂x 2(∆x)
∂ 2ui,j ui + 1,j − 2u i,j +ui −1,j
= + O(∆x)2 (8.6)
∂x 2 (∆x)2
∂ 2ui,j ui,j+ 1 − 2u i,j +ui,j−1
= + O(∆y)2 (8.7)
∂y 2 (∆y)2
10.2 Ecuaciones diferenciales parciales de tipo parabólico
Estas ecuaciones se caracterizan porque en su dominio una de las variables no está acotada.
Para aplicar el método de diferencias finitas usaremos un ejemplo básico para posteriormente
interpretar los resultados obtenidos.

231. 225
Ejemplo. Resolver la ecuación de difusión en una dimensión con los datos suministrados
∂ 2u ∂u
u(x,t): =k
∂x 2 ∂t
Suponer que u es una función que depende de x, t, en donde u representa valores de
temperatura, x representa posición, mientras que t es tiempo,
Esta ecuación se puede asociar al flujo de calor en una barra muy delgada aislada
transversalmente y sometida en los extremos a alguna fuente de calor. La constante k depende
del material de la barra. La solución representa la distribución de temperaturas en cada punto
x de la barra y en cada instante t
u(x, t)
Ta Tb
L To
Ta, Tb son valores de temperatura de las fuentes de calor aplicadas en los extremo de la barra.
En este primer ejemplo suponer que son valores constantes. To es la temperatura inicial y L
es la longitud de la barra.
Estas condiciones se pueden expresar de manera simbólica en un sistema de coordenadas
u(0, t) = Ta, t ≥ 0
u(L, t) = Tb, t ≥ 0
u(x, 0) = To, 0 < x < L
Para aplicar el método de diferencias finitas, debe discretizarse el dominio de u mediante una
malla con puntos en dos dimensiones en la cual el eje horizontal representa la posición xi
mientras que el eje vertical representa el tiempo tj.
u=u(x,t), 0 ≤ x ≤ L, t ≥ 0 ⇒ u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....
El método de diferencias finitas permitirá encontrar u en estos puntos.
Para el ejemplo supondremos los siguientes datos, en las unidades que correspondan
Ta = 60
Tb = 40
To = 25
k=4
L=1
Decidimos además, para simplificar la descripción del método que ∆x = 0.25, ∆t = 0.1
Con esta información se define el dominio de ui,j. En la malla se representan los datos en los
bordes y los puntos interiores que deberán calcularse:

232. 226
10.2.1 Un esquema de diferencias finitas explícito
Para nuestro primer intento elegimos las fórmulas (8.6) y (8.2) para sustituir las derivadas de la
ecuación diferencial
∂ 2u ∂u ui + 1,j − 2u i,j +ui −1,j ui,j+ 1 − u i,j
=k ⇒ + O(∆x)2 = k + O(∆t)
∂x 2
∂t (∆x) 2
∆t
Se obtiene la ecuación de diferencias
ui + 1,j − 2u i,j +ui −1,j ui,j+ 1 − u i,j
= k
(∆x) 2
∆t
Cuyo error de truncamiento es T = O(∆x)2 + O(∆t). Si ∆x, ∆t → 0 ⇒ T → 0 y la ecuación de
diferencias tiende a la ecuación diferencial parcial (contínua)
Para que esta sustitución sea consistente, es decir, que ambos términos de la ecuación tengan
un error de truncamiento de orden similar, ∆t debe ser menor que ∆x, aproximadamente en un
orden de magnitud.
Es conveniente analizar cuales puntos están incluidos en la ecuación de diferencias. Para esto
consideramos un segmento de la malla y marcamos los puntos de la ecuación.
Los puntos que están incluidos en la ecuación de diferencia conforman un triángulo. Este
triángulo puede colocarse en cualquier lugar de la malla asignando a i, j los valores apropiados.
Por ejemplo, si i=1, j=0, la ecuación de diferencias se ubica en el extremo inferior izquierdo de
la malla. Los puntos en color rojo son los datos conocidos. Los puntos en amarillo son los
puntos que deben calcularse.
Se puede observar que solo hay un punto desconocido en la ecuación. Por lo tanto, esta
ecuación de diferencias proporciona un método explícito de cálculo. Esto significa que cada
punto de la solución puede ser obtenerse en forma individual y directa cada vez que se aplica
la ecuación.
Despejamos el punto desconocido ui,j+ 1
∆t
=
ui,j+ 1 (ui −1,j − 2ui,j + ui + 1,j ) + ui,j
k(∆x)2
∆t
Definiendo λ = ⇒ ui,j+ 1 =i −1,j − 2ui,j + ui + 1,j ) + ui,j
λ (u
k(∆x)2

233. 227
La ecuación se puede escribir
ui,j+ 1 = λui −1,j + (1 − 2λ )ui,j + λui + 1,j , i = 1, 2, 3; j = 0, 1, 2, . . .
La forma final de la ecuación de diferencias se obtiene sustituyendo los datos:
∆t 0.1
λ == = 0.4
k(∆x) 2
4(0.25)2
ui,j+ 1 = 0.4ui −1,j + 0.2ui,j + 0.4ui + 1,j , i = 1, 2, 3; j = 0, 1, 2, . . .
La solución se debe calcular sucesivamente para cada nivel tj hasta donde sea de interés
analizar la solución de la ecuación diferencial. Calculemos dos niveles de la solución:
j = 0, i = 1: u1,1 = 0.4u0,0 + 0.2u1,0 + 0.4u2,0 = 0.4(60) + 0.2(25) + 0.4(25) = 39
i = 2: u2,1 = 0.4u1,0 + 0.2u2,0 + 0.4u3,0 = 0.4(25) + 0.2(25) + 0.4(25) = 25
i = 3: u3,1 = 0.4u2,0 + 0.2u3,0 + 0.4u4,0 = 0.4(25) + 0.2(25) + 0.4(40) = 31
j = 1, i = 1: u1,2 = 0.4u0,1 + 0.2u1,1 + 0.4u2,1 = 0.4(60) + 0.2(39) + 0.4(25) = 41.8
i = 2: u2,2 = 0.4u1,1 + 0.2u2,1 + 0.4u3,1 = 0.4(39) + 0.2(25) + 0.4(31) = 33
i = 3: u3,2 = 0.4u2,1 + 0.2u3,1 + 0.4u4,1 = 0.4(25) + 0.2(31) + 0.4(40) = 32.2
En el siguiente gráfico se anotan los resultados para registrar el progreso del cálculo
Para que la solución tenga precisión aceptable, los incrementos ∆x y ∆t deberían ser mucho
más pequeños, pero esto haría que la cantidad de cálculos involucrados sea muy grande para
hacerlo manualmente.
10.2.2 Estabilidad del método de diferencias finitas
Existen diferentes métodos para determinar el crecimiento en el tiempo del error en el proceso
de cálculo de la solución. Si el error no crece con el tiempo, el método es estable.
Criterio de Von Newman
Consiste en suponer que el error propagado Ei, j en el tiempo en cada punto (xi ,tj) tiene forma
exponencial compleja:
−1β xi +αt j
Ei, j = e ,
Si se define el coeficiente de amplificación del error en iteraciones consecutivas:
Ei, j+ 1 e −1βxi +α (t j + ∆t)
=
M = = e α∆t
−1β xi +αt j
Ei,j e
Entonces, si | e α∆t | ≤ 1 el error no crecerá en el tiempo y el método es estable.

234. 228
Ecuación de diferencias del método explícito:
∆t
ui,j+ 1 =i −1,j − 2ui,j + ui + 1,j ) + ui,j ,
λ (u λ =
k(∆x)2
Ecuación de los errores introducidos
−1β xi +α (t j + ∆t) −1β (x + ∆x) +αt j −1β xi +αt j −1β (xi −∆x) +αt j −1β xi +αt j
e =
λ (e i
− 2e +e )+e
kβ xi +αt j
Dividiendo por e
−1βi ( − ∆x)
e α∆t = (e
λ −1β∆x
−2+e )+1
Sustituyendo las equivalencias y simplificando
e ± −= cos(β∆x) ± −1sen(β∆x)
1β∆x
Se obtiene
e α∆t = λ (2 cos(β∆x) − 2) + 1
La estabilidad está condicionada a: | e α∆t | ≤ 1
| λ (2 cos(β∆x) − 2) + 1|≤ 1
Sustituyendo los valores extremos de cos(β∆x) = 1, cos(β∆x) = −1
Se obtiene la restricción para que este método sea estable:
1 ∆t 1
λ≤ ⇒ ≤
2 k(∆x)2 2
Si se cumple esta condición, el error propagado no crecerá.
Si se fija k y ∆x, debería elegirse ∆t para que se mantenga la condición anterior. Desde el
punto de vista del error de truncamiento ∆t debería ser aproximadamente un orden de
magnitud menor que ∆x.
Se puede verificar que si no se cumple esta condición, el método se hace inestable
rápidamente y los resultados obtenidos son incoherentes.

235. 229
10.2.3 Instrumentación computacional
El siguiente programa es una instrumentación en MATLAB para resolver el ejemplo anterior y
es una referencia para aplicarlo a problemas similares. Los resultados obtenidos se muestran
gráficamente.
Para la generalización es conveniente expresar la ecuación de diferencias en forma estándar
ui, j+1 = (P) ui-1, j + (Q)ui, j + (R)ui+1,j, i = 1, 2, 3, . . . , n-1; j = 1, 2, 3, . . .
En donde P, Q, R dependen de los datos de la ecuación que se desea resolver.
Para el ejemplo propuesto se tiene: ui,j+ 1 = λ ui−1,j + (1 − 2λ )ui,j + λ ui+ 1,j ,
% Ecuación de diferencias estandarizada
% U(i,j+1)=(P)U(i-1,j) + (Q)U(i,j) + (R)U(i-1,j)
% P,Q,R son constantes evaluadas con los datos de la EDP
clf;
m=11; % Número de puntos en x
n=100; % Número de niveles en t
Ta=60; Tb=40; % Condiciones en los bordes
To=25; % Condición en el inicio
dx=0.1; dt=0.01; % incrementos
L=1; % longitud
k=4; % dato especificado
clear x U;
U(1)=Ta; % Asignación inicial
U(m)=Tb;
for i=2:m-1
U(i)=To;
end
lambda = dt/(k*dx^2);
P=lambda;
Q=1-2*lambda;
R=lambda;
hold on;
title('Curvas de distribución térmica');
xlabel('X (distancia)');
ylabel('U (temperatura)');
x=0:dx:L; % Coordenadas para el gráfico
plot(x,U,'r'); grid on; % Distribución inicial
for j=1:n
U=EDPDIF(P,Q,R,U,m);
if mod(j,5)==0
plot(x,U,'r'); % Para graficar curvas cada 5 niveles de t
pause
end
end
function u=EDPDIF(P,Q,R,U,m)
% Solución U(x,t) de una EDP con condiciones constantes en los bordes
% Método explícito de diferencias finitas
u(1)=U(1);
for i=2:m-1
u(i)=P*U(i-1)+Q*U(i)+R*U(i+1);
end
u(m)=U(m);
Almacenar la función y el programa y ejecutarlo para obtener el gráfico siguiente

236. 230
Curvas de distribución térmica para el ejemplo. La distribución tiende a una forma
estable.
La ejecución controlada con el comando pause permite visualizar el progreso de los cálculos
Con esta instrumentación se puede verificar que al incrementar ∆t a un valor mayor que 0.02,
ya no se cumple la condición de convergencia y el método se hace inestable. Los resultados
son incoherentes
10.2.4 Un esquema de diferencias finitas implícito
En un segundo intento elegimos las aproximaciones (8.6) y (8.3) para sustituir las derivadas de
la ecuación diferencial
∂ 2u ∂u ui + 1,j − 2u i,j +ui −1,j ui,j − u i,j−1
=k ⇒ + O(∆x)2 = k + O(∆t)
∂x 2
∂t (∆x) 2
∆t
Se obtiene la ecuación de diferencias
ui + 1,j − 2u i,j +ui −1,j ui,j − u i,j−1
= k
(∆x) 2
∆t
Su error de truncamiento es igualmente T = O(∆x)2 + O(∆t), debiendo cumplirse que ∆t < ∆x
Marcamos los puntos incluidos en esta ecuación de diferencias.
Los puntos marcados conforman un triángulo de puntos invertido. Este triángulo
correspondiente a los puntos incluidos en la ecuación de diferencias y puede colocarse en
cualquier lugar de la malla asignando a i, j los valores apropiados. Por ejemplo, si i=1, j=1, la
ecuación de diferencias se aplicada en el extremo inferior izquierdo de la malla:

237. 231
La ecuación de diferencias ahora contiene dos puntos desconocidos. Si la ecuación se aplica
sucesivamente a los puntos i=2, j=1 e i=3, j=1, se obtendrá un sistema de tres ecuaciones
lineales y su solución proporcionará el valor de los tres puntos desconocidos. Esta ecuación de
diferencias genera un método implícito para obtener la solución.
ui + 1,j − 2u i,j +ui −1,j ui,j − u i,j−1
= k , T = O(∆x)2 + O(∆t), ∆t < ∆x
(∆x) 2
∆t
∆t
(ui + 1,j − 2ui,j + ui −1,j ) = ui,j − ui,j−1
k(∆x)2
∆t
Definiendo λ = , la ecuación se puede escribir
k(∆x)2
λui −1,j + (−1 − 2λ )ui,j + λui + 1,j = −ui,j−1 , i = 1, 2, 3; j = 1, 2, 3, . . .
∆t 0.1
Finalmente con los datos λ == = 0.4 , se obtiene la forma final
k(∆x)2 4(0.25)2
0.4ui −1,j − 1.8ui,j + 0.4ui + 1,j = , i = 1, 2, 3; j = 1, 2, 3, . . .
−ui,j−1
La cual genera un sistema de ecuaciones lineales para obtener la solución en cada nivel tj
Calcular un nivel de la solución con este método:
j = 1, i = 1: 0.4u0,1 – 1.8u1,1 + 0.4u2,1 = -u1,0
0.4(60) – 1.8u1,1 + 0.4u2,1 = -25 ⇒ -1.8 u1,1 + 0.4u2,1 = -49
i = 2: 0.4u1,1 – 1.8u2,1 + 0.4u3,1 = -u2,0
0.4u1,1 – 1.8u2,1 + 0.4u3,1 = -25 ⇒ 0.4u1,1 - 1.8 u2,1 + 0.4u3,1 = -25
i = 3: 0.4u2,1 – 1.8u3,1 + 0.4u4,1 = -u3,0
0.4u2,1 – 1.8u3,1 + 0.4(40) = -25 ⇒ 0.4u2,1 - 1.8 u3,1 = -41
Se tiene el sistema lineal
 −1.8 0.4 0   u1,1   −49 
 0.4 −1.8 0.4  u  =  
   2,1   −25 
 0
   
0.4 −1.8  u3,1   −41 
Cuya solución es
 u1,1  33.0287 
   
u2,1  = 26.1290 
u3,1  28.5842 
   

238. 232
Un análisis de estabilidad demuestra que el método implícito no está condicionado a la
∆t
magnitud de λ = como en el método explícito.
k(∆x)2
10.2.5 Instrumentación computacional
La siguiente instrumentación del método de diferencias finitas implícito permite resolver
problemas de tipo similar al ejemplo anterior. La ecuación de diferencias debe escribirse en
forma estandarizada
(P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1, i = 1, 2, 3, . . . , m-1; j = 1, 2, 3, . . .
En donde P, Q, R dependen de los datos de la ecuación que se desea resolver.
Para el ejemplo propuesto se tiene: λui−1,j + (−1 − 2λ )ui,j + λ ui+1,j = −ui,j−1
Se define una función EDPDIFPI que genera y resuelve el sistema de ecuaciones lineales en
cada nivel. El sistema de ecuaciones lineales resultante tiene forma tridiagonal, y por lo tanto
se puede usar un algoritmo específico muy eficiente con el nombre TRIDIAGONAL cuya
instrumentación fue realizada en capítulos anteriores.
% Método de Diferencias Finitas implícito para una EDP
% Ecuación de diferencias estandarizada
% (P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1
% P,Q,R son constantes evaluadas con los datos de la EDP
clf;
m=11; % Número de puntos en x
n=100; % Número de niveles en t
Ta=60; Tb=40; % Condiciones en los bordes
To=25; % Condición en el inicio
dx=0.1; dt=0.01; % incrementos
L=1; % longitud
k=4; % dato especificado
clear x u U;
U(1)=Ta; % Asignación inicial
U(m)=Tb;
for i=2:m-1
U(i)=To;
end
lambda=dt/(k*dx^2);
P=lambda;
Q=-1-2*lambda;
R=lambda;
hold on;
title('Curvas de distribución térmica ');
xlabel('X (distancia)');
ylabel('U (temperatura)');
x=0:dx:L; % Coordenadas para el grafico
plot(x,U,'r'); % Distribución inicial
for j=1:n
U =EDPDIF(P,Q,R,U,m);
if mod(j,5)==0
plot(x,U,'r'); % Para graficar curvas cada 5 niveles de t
pause
end
end

239. 233
function U = EDPDIFPI(P, Q, R, U, m)
% Solución de una EDP con condiciones constantes en los bordes
% Método de Diferencias Finitas Implícito
% Generación del sistema tridiagonal
clear a b c d;
for i=1:m-2
a(i)=P;
b(i)=Q;
c(i)=R;
d(i)=-1*U(i+1);
end
d(1)=d(1)-a(1)*U(1);
d(m-2)=d(m-2)-c(m-2)*U(m);
u=tridiagonal(a,b,c,d);
U=[U(1) u U(m)]; % Incluir datos en los extremos
Almacenar la función, el programa y ejecutarlo para obtener el gráfico siguiente
Curvas de distribución térmica para el ejemplo. La distribución tiende a una forma
estable.
10.2.6 Práctica computacional
Probar los métodos explícito e implícito instrumentados computacionalmente para resolver el
ejemplo anterior cambiando ∆x y ∆t para analizar la convergencia de los esquemas de
diferencias finitas.
Realizar pruebas para verificar la condición de estabilidad condicionada para el método
explícito e incondicional para el método implícito.
10.2.7 Condiciones variables en los bordes
Analizamos la ecuación anterior cambiando las condiciones inicial y en los bordes.
Suponer que inicialmente la barra se encuentra a una temperatura que depende de la posición
mientras que en el borde derecho se aplica una fuente de calor que depende del tiempo y en el
extremo izquierdo hay una pérdida de calor, según las siguientes especificaciones:

240. 234
∂ 2u ∂u
u(x,t): =k , 0 ≤ x ≤ 1, t ≥ 0
∂x 2
∂t
∂u(0,t)
= −5 , t≥0
∂x
u(1, t) = 20 + 10 sen(t), t ≥ 0
u(x, 0) = 40 x, 0<x<1
∆x = 0.25, ∆t = 0.1, k = 4
Para aplicar el método de diferencias finitas, debe discretizarse el dominio de u
u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....
La red con los datos incluidos en los bordes inferior y derecho:
Los puntos en color amarillo, en el borde izquierdo y en el centro, son desconocidos
Usamos el esquema de diferencias finitas implícito visto anteriormente:
ui + 1,j − 2u i,j +ui −1,j ui,j − u i,j−1
= k , E = O(∆x)2 + O(∆t), ∆t < ∆x
(∆x) 2
∆t
∆t
(ui + 1,j − 2ui,j + ui −1,j ) = ui,j − ui,j−1
k(∆x)2
∆t
Definiendo λ = , la ecuación se puede escribir
k(∆x)2
λui −1,j + (−1 − 2λ )ui,j + λui + 1,j = −ui,j−1 , i = 1, 2, 3; j = 1, 2, 3, . . .
∆t 0.1
Finalmente se tiene la ecuación de diferencias con los datos λ == = 0.4 ,
k(∆x)2 4(0.25)2
Ahora la ecuación es aplicada en cada punto desconocido, incluyendo el borde izquierdo:
0.4ui −1,j − 1.8ui,j + 0.4ui + 1,j = , i = 0, 1, 2, 3; j = 1, 2, 3, . . .
−ui,j−1
La cual genera un sistema de ecuaciones lineales para obtener la solución en cada nivel tj
A continuación calculamos un nivel de la solución con este método:
j = 1, i = 0: 0.4u-1,1 – 1.8u0,1 + 0.4u1,1 = -u1,0 ⇒ 0.4u-1,1 – 1.8u0,1 + 0.4u1,1 = 0 (1)
i = 1: 0.4u0,1 – 1.8u1,1 + 0.4u2,1 = -u1,0 ⇒ 0.4u0,1 – 1.8u1,1 + 0.4u2,1 = -10 (2)
i = 2: 0.4u1,1 – 1.8u2,1 + 0.4u3,1 = -u2,0 ⇒ 0.4u1,1 – 1.8u2,1 + 0.4u3,1 = -20 (3)
i = 3: 0.4u2,1 – 1.8u3,1 + 0.4u4,1 = -u3,0
0.4u2,1 – 1.8u3,1 + 0.4(20.99) = -30 ⇒ 0.4u2,1 – 1.8 u3,1 = -38.4 (4)
Se tiene un sistema de cuatro ecuaciones y cinco puntos desconocidos: u-1,1, u0,1, u1,1, u2,1, u3,1
incluyendo el punto ficticio u-1,1

241. 235
∂u(0,t)
El dato adicional conocido: = −5 es aproximado ahora mediante una fórmula de
∂x
diferencias finitas central:
∂u0,j u1,j − u−1,j
= = −5, j = 1, 2, 3, . . . , E = O(∆x)2
∂x 2(∆x)
De donde se obtiene u-1,j = u1,j + 5(2∆x) para sustituir en la ecuación (1) anterior:
j = 1, i = 0: 0.4u-1,1 – 1.8u0,1 + 0.4u1,1 = 0
0.4[u1,j + 5(2∆x)] -1.8u0,1 + 0.4u1,1 = 0 ⇒ -1.8u0,1 + 0.8u1,1 = -1 (1)
En notación matricial:
 −1.8 0.8 0 0  u0,1   −1 
 0.4 −1.8 0.4  
 0   u1,1   −10 
 = 
 0 0.4 −1.8 0.4  u2,1   −20 
    
 0 0 0.4 −1.8  u3,1   −38.4 
 
Cuya solución es
u0,1 = 5.4667, u1,1 = 11.0500, u2,1 = 19.2584, u3,1 = 25.6130
El sistema de ecuaciones lineales resultante tiene forma tridiagonal, y por lo tanto se puede
usar un algoritmo específico muy eficiente para resolverlo.
10.2.8 Instrumentación computacional
La siguiente instrumentación del método de diferencias finitas implícito permite resolver
problemas de tipo similar al ejemplo anterior. La ecuación de diferencias debe escribirse en
∂u(0,t)
forma estandarizada. Se suponen conocidos los datos en los bordes: δ0 = , um, j
∂x
Para el ejemplo propuesto se tiene la ecuación de diferencias estandarizada, incluyendo la
forma especial de la ecuación para el borde izquierdo
λui−1,j + (−1 − 2λ )ui,j + λ ui+1,j = −ui,j−1
(P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1, i = 1, 2, 3, . . . , m-1
λ u-1, j + (-1 - 2 λ )u0, j + λ u1, j = -u0, j-1, i=0
λ [u1,j + δ0 (2∆x)] + (-1 - 2 λ )u0, j + λ u1, j = -u0, j-1
(-1 - 2 λ )u0, j + 2 λ u1,j = -u0, j-1 - λ δ0(2∆x)
(Q)u0, j + 2(P)u1,j = -u0, j-1 - (P)δ0(2∆x)
% Método de Diferencias Finitas implícito para una EDP
% condiciones en los bordes:
% A la izquierda una derivada
% Condición inicial y en el borde derecho variables
% Ecuación de diferencias estandarizada
% (P)ui-1,j + (Q)ui,j + (R)ui+1,j = -ui,j-1
% P,Q,R son constantes evaluadas con los datos de la EDP
clf;
m=11; % Número de puntos en x
n=50; % Número de niveles en t
der0=-5; % Derivada en el borde izquierdo
dx=0.1;
dt=0.1; % incrementos
L=1; % longitud
k=4; % dato especificado
clear x U;
x=0;

242. 236
for i=1:m % Condición variable en el inicio
U(i)=40*x;
x = x + dx;
end
lambda=dt/(k*dx^2);
P=lambda;
Q=-1-2*lambda;
R=lambda;
hold on;
title('Curvas de distribución térmica');
xlabel('X (distancia)');
ylabel('U (temperatura)');
x=0:dx:L; % Coordenadas para el grafico
t=0;
for j=1:n
t = t + dt;
U(m) = 20 + 10*sin(t); % Condición variable en el borde derecho
U = EDPDIFPID(P, Q, R, U, der0, dx, m);
plot(x,U,'r');
pause;
end
function U = EDPDIFPID(P, Q, R, U, der0, dx, m)
% Método de Diferencias Finitas Implicito
% EDP con una derivada a la izquierda y condiciones variables
% Generación del sistema tridiagonal
clear a b c d;
for i=1:m-1
a(i)=P;
b(i)=Q;
c(i)=R;
d(i)=-1*U(i);
end
c(1)=2*P;
d(1)=d(1)-P*der0*2*dx;
d(m-1)=d(m-1)-c(m-1)*U(m);
u=tridiagonal(a,b,c,d);
U=[ u U(m)]; % Incluir dato en el extremos
Almacenar la función, el programa y ejecutarlo para obtener el gráfico siguiente
Curvas de distribución térmica para el ejemplo.

243. 237
10.2.9 Método de diferencias finitas para EDP no lineales
Si la ecuación tiene términos no lineales, se puede adaptar un método de diferencias finitas
explícito como una primera aproximación.
Ejemplo. Formule un esquema de diferencias finitas para resolver la siguiente ecuación
diferencial parcial no lineal del campo de la acústica
∂u ∂u ∂ 2u
u(x,t): = −k 2
−u
∂t ∂x ∂x
Se usarán las siguientes aproximaciones:
∂ui,j ui,j+ 1 − u i,j
= + O(∆t)
∂t ∆t
∂ui,j ui + 1,j − u i −1,j
= + O(∆x)2
∂x 2(∆x)
∂ 2ui,j ui + 1,j − 2u i,j +ui −1,j
= + O(∆x)2
∂x 2 (∆x)2
Sustituyendo en la EDP
ui,j+ 1 − ui,j ui+ 1,j − ui−1,j ui−1,j − 2ui,j + ui+ 1,j
= −k
−ui,j
∆t 2(∆x) (∆x)2
Se obtiene un esquema explícito de diferencias finitas que permitirá calcular cada punto en la
malla que represente al dominio de la ecuación diferencial siempre que estén previamente
definidas las condiciones en los bordes así como los parámetros k, ∆t, ∆x . También debería
analizarse la estabilidad del método.
ui+ 1,j − ui−1,j ui−1,j − 2ui,j + ui+ 1,j
ui,j+ 1 =∆t(−ui,j −c ) + ui,j
2(∆x) (∆x)2
Con error de truncamiento
T = O(∆t) + O(∆x)2

244. 238
10.3 Ecuaciones diferenciales parciales de tipo elíptico
Este tipo de ecuaciones se caracteriza porque su dominio es una región cerrada. Para aplicar
el método de diferencias finitas usaremos un ejemplo particular para posteriormente interpretar
los resultados obtenidos.
Ejemplo. Resolver la ecuación de difusión en dos dimensiones:
∂ 2u ∂ 2u
u(x,y): + =0
∂x 2 ∂y 2
Suponer que u es una función que depende de x, y, en donde u representa valores de
temperatura, x, y representan posición.
Esta ecuación se puede asociar al flujo de calor en una placa muy delgada aislada
térmicamente en sus caras superior e inferior y sometida en los bordes a alguna condición. La
solución representa la distribución final de temperaturas en la placa en cada punto (x, y)
Ta, Tb, Tc, Td son valores de temperatura, suponer constantes, de alguna fuente de calor
aplicada en cada borde de la placa. L1, L2 son las dimensiones de la placa.
Estas condiciones se pueden expresar simbólicamente en un sistema de coordenadas X-Y:
u(0, y) = Ta, 0 < y < L2
u(L1, y) = Tb, 0 < y < L2
u(x, 0) = Tc, 0 < x < L1
u(x, L2) = Td, 0 < x < L1
Para aplicar el método de diferencias finitas, debe discretizarse el dominio de u mediante una
malla con puntos u(xi, yj), en la cual xi , yj representan coordenadas
u=u(x,y), 0 ≤ x ≤ L1, 0 ≤ y ≤ L2⇒ u(xi, yj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ..., m
El método de diferencias finitas permitirá encontrar u en estos puntos.
Para el ejemplo supondremos los siguientes datos, en las unidades que correspondan
Ta = 60
Tb = 40
Tc = 50
Td = 80
L1 = 2
L2 = 1.5
Supondremos además que ∆x = 0.5, ∆y = 0.5
Con esta información describimos el dominio de u mediante una malla con puntos en dos
dimensiones en la cual el eje horizontal representa la posición xi mientras que el eje vertical
representa yj. En esta malla se representan los datos en los bordes y los puntos interiores que
deben ser calculados

245. 239
10.3.1 Un esquema de diferencias finitas implícito
Elegimos las siguientes aproximaciones de diferencias finitas para sustituir las derivadas de la
ecuación diferencial
∂ 2ui,j ui + 1,j − 2u i,j +ui −1,j
= + O(∆x)2
∂x 2 (∆x)2
∂ 2ui,j ui,j+ 1 − 2u i,j +ui,j−1
= + O(∆y)2
∂y 2 (∆y)2
ui + 1,j − 2u i,j +ui −1,j ui,j+ 1 − 2u i,j +ui,j− 1
+ O(∆x)2 + + O(∆y)2= 0
(∆x) 2
(∆y) 2
Se obtiene la ecuación de diferencias
ui + 1,j − 2u i,j +ui −1,j ui,j+ 1 − 2u i,j +ui,j− 1
+ =0
(∆x) 2
(∆y)2
Cuyo error de truncamiento es E = O(∆x)2 + O(∆y)2
Para que esta sustitución sea consistente, ∆x debe ser muy cercano a ∆y en magnitud.
Es conveniente analizar los puntos incluidos en la ecuación de diferencias. Para esto
consideramos un segmento de la malla y marcamos los puntos de la ecuación.
Los puntos marcados conforman un rombo. Este rombo describe los puntos incluidos en la
ecuación de diferencias y puede colocarse en cualquier lugar de la malla asignando a i, j los
valores apropiados.
Por ejemplo, si i=1, j=1, la ecuación de
diferencias se aplica al extremo inferior
izquierdo de la malla.
Se puede observar que la ecuación de
diferencias contiene tres puntos
desconocidos

246. 240
Si se aplica a todos los puntos interiores: i = 1, 2, 3 con j = 1, 2 se obtendrá un sistema de
seis ecuaciones lineales con los seis puntos desconocidos cuyos valores se pueden determinar
resolviendo el sistema. Por lo tanto, la ecuación de diferencias proporciona un método
implícito para obtener la solución. Una simplificación adicional se obtiene haciendo ∆x = ∆y
ui + 1,j − 2u i,j +ui −1,j ui,j+ 1 − 2u i,j +ui,j− 1
+ =0
(∆x) 2
(∆y)2
Forma final de la ecuación de diferencias:
ui − 1,j + ui + 1,j + ui,j− 1 + ui,j+ 1 − 4ui,j = = 1, 2, 3; j = 1, 2
0, i
Esta ecuación se aplica para en la malla para generar el sistema de ecuaciones lineales
j = 1, i = 1: 60 + 50 + u2,1 + u1,2 - 4u1,1 = 0 ⇒ -4u1,1 + u2,1 + u1,2 = -110
i = 2: 50 + u1,1 + u3,1 + u2,2 - 4u2,1 = 0 ⇒ u1,1 - 4u2,1 + u3,1 + u2,2 = -50
i = 3: 50 + 40 + u3,2 + u2,1 - 4u3,1 = 0 ⇒ u2,1 - 4u3,1 + u3,2 = -90
j = 2, i = 1: 60 + 80 + u1,1 + u2,2 - 4u1,2 = 0 ⇒ u1,1 - 4u1,2 + u2,2 = -140
i = 2: 80 + u1,2 + u2,1 + u3,2 - 4u2,2 = 0 ⇒ u2,1 + u1,2 - 4u2,2 + u3,2 = -80
i = 3: 80 + 40 + u2,2 + u3,1 - 4u3,2 = 0 ⇒ u3,1 + u2,2 -4u3,2 = -120
Se tiene el sistema lineal
 −4 1 0 1 0 0   u1,1   −110 
 1 −4 1 0   
1 0  u2,2   −50  

0 1 −4 0 0 1  u3,2   −90 
  = 
1 0 0 −4 1 0   u1,2   −140 
0 1 0 1 −4 1  u2,2   −80 
    

0 0 1 0 1 −4  u3,2   −120 
   
Cuya solución es
 u1,1   57.9917 
u   
 2,1   56.1491
u 3,1   51.3251
 = 
 u1,2   65.8178 
u2,2  65.2795 
   
u3,2   59.1511
   
Se ha usado un método directo para resolver el sistema cuya forma es diagonal dominante, por
lo que también se podrían usar métodos iterativos cuya convergencia es segura.

247. 241
10.3.2 Instrumentación computacional
La siguiente instrumentación en MATLAB está diseñada para resolver una ecuación diferencial
parcial elíptica con condiciones constantes en los bordes. Se supondrá además que ∆x = ∆y
Al aplicar la ecuación de diferencias en los puntos de la malla, cada ecuación tiene no más de
cuatro componentes y tiene una forma adecuada para instrumentar un método iterativo para
obtener la solución.
Ecuación de diferencias
ui −1,j + ui + 1,j + ui,j−1 + ui,j+ 1 − 4ui,j == 1, 2, 3, …
0, i ; j = 1, 2, 3, …
Fórmula iterativa
1 (k )
ui,j + 1)
(k
= (ui − 1,j + ui(k1,j + ui,j− 1 + ui,j+ 1 ) , k=0, 1, 2, ...
+
) (k ) (k )
4
En la siguiente instrumentación se ha usado el método de Gauss-Seidel para calcular la
solución partiendo de una matriz con los valores iniciales iguales al promedio de los valores de
los bordes.
% Programa para resolver una EDP Elíptica
% con condiciones constantes en los bordes
Ta=60;Tb=60;Tc=50;Td=70; % Bordes izquierdo, derecho, abajo, arriba
n=10; % Puntos interiores en dirección horizontal (X)
m=10; % Puntos interiores en dirección vertical (Y)
miter=100; % Máximo de iteraciones
e=0.001; % Error de truncamiento relativo requerido 0.1%
clear u;
for i=1:n+2
u(i,1)=Tc;
u(i,m+2)=Td;
end
for j=1:m+2
u(1,j)=Ta;
u(n+2,j)=Tb;
end
p=0.25*(Ta+Tb+Tc+Td); %valor inicial interior es el promedio de los bordes
for i=2:n-1
for j=2:m-1
u(i,j)=p;
end
end
k=0; %conteo de iteraciones
conv=0; %señal de convergencia
while k<miter & conv==0
k=k+1;
t=u;
for i=2:n+1
for j=2:m+1
u(i,j)=0.25*(u(i-1,j)+u(i+1,j)+u(i,j+1)+u(i,j-1));
end
end
if norm((u-t),inf)/norm(u,inf)<e
conv=1;
end
end
if conv==1
disp(u); % Muestra la solución final en la malla
disp(k); % Cantidad de iteraciones realizadas
[x,y]=meshgrid(1:m+2, 1:n+2); % Malla para el grafico en tres dimensiones
surf(x,y,u) % Grafico en tres dimensiones
colormap copper % Color

248. 242
shading flat % Suavizado
else
disp('No converge');
end
Solución numérica calculada en los puntos de la malla
60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000
50.0000 55.0555 57.1094 58.1502 58.8179 59.3552 59.8800 60.4789 61.2649 62.4714 64.7253 70.0000
50.0000 53.1504 55.2931 56.7522 57.8553 58.8149 59.7729 60.8462 62.1676 63.9325 66.4446 70.0000
50.0000 52.3140 54.2564 55.8324 57.1733 58.4166 59.6826 61.0788 62.7133 64.7007 67.1404 70.0000
50.0000 51.9277 53.7079 55.3016 56.7603 58.1708 59.6256 61.2131 63.0120 65.0824 67.4393 70.0000
50.0000 51.7775 53.4827 55.0770 56.5863 58.0739 59.6166 61.2895 63.1550 65.2488 67.5585 70.0000
50.0000 51.7911 53.5081 55.1116 56.6271 58.1173 59.6589 61.3274 63.1856 65.2700 67.5691 70.0000
50.0000 51.9651 53.7780 55.3973 56.8731 58.2907 59.7427 61.3179 63.0965 65.1409 67.4687 70.0000
50.0000 52.3661 54.3539 55.9657 57.3301 58.5835 59.8454 61.2245 62.8308 64.7821 67.1813 70.0000
50.0000 53.2029 55.3914 56.8866 58.0135 58.9831 59.9370 60.9930 62.2860 64.0145 66.4858 70.0000
50.0000 55.0911 57.1760 58.2412 58.9249 59.4689 59.9908 60.5780 61.3448 62.5267 64.7531 70.0000
60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000 60.0000
Error relativo: 0.1%
Cantidad de iteraciones: 41
Representación gráfica en tres dimensiones de la solución calculada
70
65
60
55
50
15
15
10
10
5
5
0 0
Se puede suavizar el gráfico escribiendo el comando
>> shading Interp
Los valores mas claros representan mayor temperatura

249. 243
Con el editor de gráficos se puede además rotarlo y observarlo desde diferentes perspectivas
Vista superior. Los valores mas claros representan mayor temperatura

250. 244
10.4 Ecuaciones diferenciales parciales de tipo hiperbólico
En este tipo de ecuaciones el dominio está abierto en uno de los bordes Para aplicar el
método de diferencias finitas usaremos un ejemplo particular para posteriormente interpretar
los resultados obtenidos.
∂ 2u ∂ 2u
Ejemplo. Ecuación de la onda en una dimensión: u(x, t): = c2 2
∂t 2 ∂x
Suponer que u es una función que depende de x, t en donde u representa el desplazamiento
vertical de la cuerda en función de la posición horizontal x, y el tiempo t, mientras que c es una
constante. L es la longitud de la cuerda
Suponer que los extremos de la cuerda están sujetos y que la longitud es L = 1
u = u(x, t), 0 ≤ x ≤ 1, t ≥ 0
u(0, t) = 0, t≥0
u(1, t) = 0, t≥0
Inicialmente la cuerda es estirada desplazando su punto central una distancia de 0.25
 −0.5x, 0 < x ≤ 0.5
u(x, 0) = 
0.5(x − 1), 0.5 < x < 1
Al soltar la cuerda desde la posición indicada, sin velocidad inicial:
∂u(x,0)
=0
∂t
10.4.1 Un esquema de diferencias finitas explícito
Para aplicar el método de diferencias finitas, debe discretizarse el dominio de u mediante una
malla con puntos en dos dimensiones en la cual el eje horizontal representa la posición xi
mientras que el eje vertical representa el tiempo tj.
u=u(x,t), 0 ≤ x ≤ L, t ≥ 0 ⇒ u(xi, tj) = ui,j ; i = 0, 1, ..., n; j = 0, 1, 2, ....
Elegimos las siguientes aproximaciones de diferencias finitas para las derivadas:
∂ 2ui,j ui + 1,j − 2u i,j +ui −1,j
= + O(∆x)2
∂x 2 (∆x)2
∂ 2ui,j ui,j+ 1 − 2u i,j +ui,j−1
= + O(∆t)2
∂t 2 (∆t)2
ui,j+ 1 − 2u i,j +ui,j− 1 ui + 1,j − 2u i,j +ui −1,j
+ O(∆x)2 = c2 + O(∆t)2
(∆t) 2
(∆x)2
Se obtiene la ecuación de diferencias:
ui,j+ 1 − 2u i,j +ui,j− 1 ui + 1,j − 2u i,j +ui −1,j
= c2
(∆t) 2
(∆x)2
Cuyo error de truncamiento es E = O(∆x)2 + O(∆t)2
Esta ecuación se puede expresar de la siguiente forma:
c2 (∆t)2
ui,j+ 1 − 2u i,j + ui,j−1 = ( ui + 1,j − 2u i,j + ui −1,j )
(∆x)2

251. 245
c2 (∆t)2
Mediante un análisis se demuestra que si ≤ 1, entonces la solución calculada con el
(∆x)2
método de diferencias finitas es estable.
Para el ejemplo, suponer que c = 2, ∆x = 0.2, entonces de la condición anterior se tiene:
22 (∆t)2
= 1 ⇒ ∆t = 0.1
(0.2)2
Esta sustitución permite además simplificar:
ui,j+ 1 + ui,j−1 = ui + 1,j + ui −1,j
La ecuación incluye cuatro puntos dispuestos en un rombo.
La solución progresa en la dirección t por lo que despejamos el punto en el vértice superior.
ui,j+ 1 = ui + 1,j + ui −1,j − ui,j−1 , i = 1, 2, 3, 4; j = 1, 2, 3, . . . (1)
Se puede notar observando el gráfico que para obtener cada nuevo punto de la solución se
requieren conocer dos niveles previos de la solución
Describimos el dominio de u mediante una malla con puntos en dos dimensiones en la cual el
eje horizontal representa la posición xi mientras que el eje vertical representa tiempo tj. En
esta malla se representan los datos en los bordes y los puntos interiores que deben ser
calculados
∂u(x,0)
Siguiendo una estrategia usada anteriormente, expresamos el dato adicional =0
∂t
mediante una fórmula de diferencias central:
∂ui,0 ui,1 − ui,−1
= = 0 ⇒ ui,-1 = ui,1 (2)
∂t 2(∆t)
Esta ecuación incluye el punto ficticio ui,-1 Conviene entonces evaluar la ecuación (1) cuando
t = 0:
j = 0: ui,1 = ui + 1,0 + ui −1,0 − ui,−1 , i = 1, 2, 3, 4
Sustituyendo en esta ecuación el resultado (2) se elimina el punto ficticio ui,-1
ui,1 = ui + 1,0 + ui −1,0 − ui,1

252. 246
1
ui,1 = (ui + 1,0 + ui −1,0 ) , i = 1, 2, 3, 4 (3)
2
La ecuación (3) debe aplicarse únicamente cuando t = 0, para encontrar ui,j en el nivel j=1
1 1
j = 0, i = 1: u1,1 =(u2,0 + u0,0 ) =(−0.2 + 0) =0.1 −
2 2
1 1
i = 2: u2,1 = (u3,0 + u1,0 ) = (−0.2 + (−0.1)) =−0.15
2 2
1 1
i = 3: u3,1 = (u4,0 + u2,0 ) = (−0.1 + (−0.2)) =−0.15
2 2
1 1
i = 4: u4,1 = (u5,0 + u3,0 ) = (0 + (−0.2)) =−0.1
2 2
Los valores calculados son colocados en la malla:
Ahora se tienen dos niveles con puntos conocidos. A partir de aquí se debe usar únicamente la
ecuación (1) como un esquema explícito para calcular directamente cada punto en los
siguientes niveles j, cada uno a una distancia ∆t = 0.1
ui,j+ 1 = ui + 1,j + ui −1,j − ui,j−1 , i = 1, 2, 3, 4; j = 1, 2, 3, . . .
j = 1, i = 1: u1,2 =u2,1 + u0,1 − u1,0 =−0.15 + 0 − (−0.1) =−0.05
i = 2: u2,2 =u3,1 + u1,1 − u2,0 =−0.15 + (−0.1) − (−0.2) =−0.05
i = 3: u3,2 =u4,1 + u2,1 − u3,0 =−0.1 + (−0.15) − (−0.2) =−0.05
i = 4: u4,2 =u5,1 + u3,1 − u4,0 = 0 + (−0.15) − (−0.1) =−0.05
j = 2, i = 1: u1,3 =u2,2 + u0,2 − u1,1 =−0.05 + 0 − (−0.1) = 0.05
i = 2: u2,3 =u3,2 + u1,2 − u2,1 =−0.05 + (−0.05) − (−0.15) = 0.05
i = 3: u3,3 =u4,2 + u2,2 − u3,1 =−0.05 + (−0.05) − (−0.15) = 0.05
i = 4: u4,3 = u5,2 + u3,2 − u4,1 = 0 + (−0.05) − (−0.1) = 0.05
j = 3, i = 1: u1,4 u2,3 + u0,3 − u1,2 0.05 + 0 − (−0.05) 0.1
= = =
i = 2: u2,4 u3,3 + u1,3 − u2,2 0.05 + 0.05 − (−0.05) 0.15
= = =
i = 3: u3,4 u4,3 + u2,3 − u3,2 0.05 + 0.05 − (−0.05) 0.15
= = =
i = 4: u4,4 = u5,3 + u3,3 − u4,2 = 0 + 0.05 − (−0.05) = 0.1
etc.

253. 247
10.4.2 Instrumentación computacional
La siguiente instrumentación del método de diferencias finitas permite resolver problemas de
tipo similar al ejemplo anterior: extremos fijos, estiramiento central, velocidad inicial nula y
c2 (∆t)2
parámetro = 1 cuya ecuación de diferencias es:
(∆x)2
1
ui,1 = (ui + 1,0 + ui −1,0 ) , i = 1, 2, 3, . . . , m-1 (Para el primer nivel j = 1)
2
ui,j+ 1 = ui + 1,j + ui −1,j − ui,j−1 i = 1, 2, 3, . . . , m-1 (Para los siguientes niveles j = 2, 3, 4, ...)
El esquema de cálculo utilizado es explícito. Cada punto es calculado directamente mediante
funciones que entregan la solución calculada y un programa que contiene los datos y muestra
gráficamente la solución. Se puede visualizar el movimiento de la cuerda incluyendo en el
programa los comandos pause y clf. En la ejecución presione alguna tecla para visualizar el
movimiento.
% Método de Diferencias Finitas explícito para una EDP Hiperbólica
% con parametro c^2 dt^2/dx^2 = 1
% Extremos fijos, estiramiento central y velocidad inicial cero
clf;
m=11; % Número de puntos en x
n=50; % Número de niveles en t
c=2; % dato especificado
dx=0.1;
dt=sqrt(dx^2/2^2); % incrementos
L=1; % longitud
clear x U0 U1 Uj;
U0(1)=0; % Extremos fijos
U0(m)=0;
x=0;
for i=2:m-1 % Posición inicial de la cuerda
x=x+dx;
if x<L/2;
U0(i)=-0.5*x;
else
U0(i)=0.5*(x-1);
end
end
x=0:dx:L; % Coordenadas para el grafico
plot(x,U0,'r'); % Distribución inicial
axis([0,1,-0.5,0.5]);
pause;
clf;
U1=EDPDIFH1(U0,m); % Calculo del primer nivel
plot(x,U1,'r');
axis([0,1,-0.5,0.5]);
pause;
clf;
for j=1:n
Uj=EDPDIFHJ(U0,U1,m); % Siguientes niveles
plot(x,Uj,'r');
axis([0,1,-0.5,0.5]);
pause;
clf;
U0=U1;
U1=Uj;
end

254. 248
function U1=EDPDIFH1(U0,m)
% Solución U(x,t) de una EDP hiperbolica con parametro igual a 1
% Cálculo del primer nivel de la solucion
U1(1)=U0(1);
for i=2:m-1
U1(i)=0.5*(U0(i-1)+U0(i+1));
end
U1(m)=U0(m);
function Uj=EDPDIFHJ(U0,U1,m)
% Solución U(x,t) de una EDP hiperbolica con parametro igual a 1
% Cálculo de los siguientes niveles de la solucion
Uj(1)=U1(1);
for i=2:m-1
Uj(i)=U1(i+1)+U1(i-1)-U0(i);
end
Uj(m)=U1(m);
Almacenar las funciones y el programa y ejecutarlo para visualizar la solución:
Cuerda en movimiento
Gráfico de la cuerda en un instante de su desplazamiento

255. 249
10.5 Ejercicios con ecuaciones diferenciales parciales
1. Dada la siguiente ecuación diferencial parcial de tipo parabólico
∂2u ∂u
= C = u(x, t), 0 < x < 2, t > 0 , con las condiciones
,u
∂x 2
∂t
a) u(x,0)=25 sen(x), 0<x<2
b) u(0,t)=10 t, t≥0
∂u(2, t)
c) = 5, t ≥ 0
∂x
a) Calcule manualmente dos niveles de la solución con el método explícito de diferencias
finitas
Utilice ∆x=0.5, C=1.6
Para que el método sea estable use la condición ∆t 1
=
C(∆x) 2
2
Use una aproximación de diferencias finitas de segundo orden para la condición c)
b) Calcule dos niveles de la solución con el método implícito de diferencias finitas. Use las
mismas especificaciones dadas en 1.
2. Con el criterio de Von Newman, analice la estabilidad del método implícito de diferencias
finitas para resolver la EDP de tipo parabólico. Demuestre que es incondicionalmente estable.
∂ 2u ∂u
=C
∂x 2
∂t
∆t
cui −1,j + (−1 − 2c)ui,j + cui + 1,j =−ui,j−1 , c =
C(∆x)2
3. Resuelva la siguiente ecuación diferencial parcial de tipo elíptico con el método de
diferencias finitas.
∂ 2u ∂ 2u
+ =0
∂x 2 ∂y 2
u(0, y) = 10, 0≤y≤3
u(2, y) = 20 sen (πy), 0≤y≤3
uy (x, 0) = 20, 0≤x≤2
u(x, 3) = 25x, 0≤x≤2
Determine u en los puntos interiores. Use ∆x = ∆y = 0.5
4. La siguiente ecuación diferencial parcial de tipo hiperbólico describe la posición u de cierta
cuerda en cada punto x, en cada instante t
∂ 2u ∂ 2u
= (1 + 2x) 2 , 0<x<1, t>0
∂t 2 ∂x
Use las siguientes condiciones iniciales y de borde:
u(x, 0) = 0; 0≤x≤1
∂u(x,0)
= x(1 − x)
∂t
Use ∆x = ∆t = 0.25, y encuentre la solución cuando t = 1

256. 250
BIBLIOGRAFÍA
1. Burden R., Faires J. Análisis Numérico, Thomson Learning, 2002, Mexico
2. Gerald, C., Aplied Numerical Análysis, Addison-Wesley Publishing Company
3. Conte S., Boor C., Análisis Numérico Elemental, McGraw-Hill
4. Carnahan B., Luther H. Wilkes J., Applied Numerical Methods, John Wiley & Sons, Inc
5. Nakamura S., Análisis Numérico y Visualización Gráfica con MATLAB, Prentice-Hall
6. The Mathworks, Inc. Using MATLAB Computation, Visualization, Programming
7. Pérez López C. MATLAB y sus Aplicaciones a las Ciencias y la Ingeniería, Pearson Ed.